論文の概要: Decoding Brain Motor Imagery with various Machine Learning techniques
- arxiv url: http://arxiv.org/abs/2306.07519v1
- Date: Tue, 13 Jun 2023 03:25:04 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-14 15:09:15.141663
- Title: Decoding Brain Motor Imagery with various Machine Learning techniques
- Title(参考訳): 各種機械学習技術を用いた脳運動画像の復号
- Authors: Giovanni Jana, Corey Karnei, Shuvam Keshari
- Abstract要約: 運動画像(英: Motor image、MI)は、運動野と脳の周辺領域の脳活動を調節する技術である。
本稿では、オフライントレーニングデータに基づくデコーダを作成するために、異なる機械学習(ML)手法を適用し、エビデンスを蓄積して被験者の脳信号からリアルタイムに対象者の意図を予測する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Motor imagery (MI) is a well-documented technique used by subjects in BCI
(Brain Computer Interface) experiments to modulate brain activity within the
motor cortex and surrounding areas of the brain. In our term project, we
conducted an experiment in which the subjects were instructed to perform motor
imagery that would be divided into two classes (Right and Left). Experiments
were conducted with two different types of electrodes (Gel and POLiTag) and
data for individual subjects was collected. In this paper, we will apply
different machine learning (ML) methods to create a decoder based on offline
training data that uses evidence accumulation to predict a subject's intent
from their modulated brain signals in real-time.
- Abstract(参考訳): 運動画像 (motor images, mi) は、bci(brain computer interface)実験の被験者が、運動野および脳の周辺領域での脳活動を調整するために使用する、十分に文書化された技術である。
短期プロジェクトにおいて、被験者に2つのクラス(右と左)に分けられる運動画像の実行を指示する実験を行った。
2種類の電極(GelとPOLiTag)を用いて実験を行い,各被験者のデータを収集した。
本稿では、オフライントレーニングデータに基づくデコーダを作成するために、異なる機械学習(ML)手法を適用し、エビデンスを蓄積して被験者の脳信号からリアルタイムに対象者の意図を予測する。
関連論文リスト
- MindBridge: A Cross-Subject Brain Decoding Framework [60.58552697067837]
脳の復号化は、獲得した脳信号から刺激を再構築することを目的としている。
現在、脳の復号化はモデルごとのオブジェクトごとのパラダイムに限られている。
我々は,1つのモデルのみを用いることで,オブジェクト間脳デコーディングを実現するMindBridgeを提案する。
論文 参考訳(メタデータ) (2024-04-11T15:46:42Z) - Brain-grounding of semantic vectors improves neural decoding of visual stimuli [0.3495246564946556]
本稿では,意味ベクトルの脳基底と呼ばれる表現学習フレームワークを提案する。
我々は,150種類の視覚刺激カテゴリーのfMRIを用いて,このモデルを訓練した。
脳基底ベクトルを用いることで、異なるモードの脳データにおける脳の復号と識別精度が増大することが観察された。
論文 参考訳(メタデータ) (2024-03-22T13:01:10Z) - fMRI-PTE: A Large-scale fMRI Pretrained Transformer Encoder for
Multi-Subject Brain Activity Decoding [54.17776744076334]
本稿では,fMRI事前学習のための革新的オートエンコーダであるfMRI-PTEを提案する。
我々のアプローチでは、fMRI信号を統合された2次元表現に変換し、次元の整合性を確保し、脳の活動パターンを保存する。
コントリビューションには、fMRI-PTEの導入、革新的なデータ変換、効率的なトレーニング、新しい学習戦略、そして我々のアプローチの普遍的な適用性が含まれる。
論文 参考訳(メタデータ) (2023-11-01T07:24:22Z) - Retinotopy Inspired Brain Encoding Model and the All-for-One Training
Recipe [14.943061215875655]
3つの画像モダリティにまたがる5つの公開データセットから100万以上のデータポイントを用いて、脳エンコーディングモデルを事前訓練した。
本稿では、一般的に使用される視覚バックボーンモデルのドロップイン置換として、事前学習モデルの有効性を示す。
論文 参考訳(メタデータ) (2023-07-26T08:06:40Z) - Classification of EEG Motor Imagery Using Deep Learning for
Brain-Computer Interface Systems [79.58173794910631]
トレーニングされたT1クラス畳み込みニューラルネットワーク(CNN)モデルを使用して、運動画像の識別を成功させる能力を調べる。
理論的には、モデルが正確にトレーニングされた場合、クラスを特定し、それに従ってラベル付けすることが可能になる。
CNNモデルは復元され、より小さなサンプルデータを使用して同じ種類の運動画像データを特定するために使用される。
論文 参考訳(メタデータ) (2022-05-31T17:09:46Z) - Visio-Linguistic Brain Encoding [3.944020612420711]
脳のエンコーディングにおける画像変換器とマルチモーダル変換器の有効性を体系的に検討した。
マルチモーダルトランスであるVisualBERTは,従来提案されていたシングルモードCNNよりも大幅に優れていた。
視覚言語モデルの優位性は、視覚領域で引き起こされる応答が言語処理によって暗黙的に影響を受けるかどうかという問題を提起する。
論文 参考訳(メタデータ) (2022-04-18T11:28:18Z) - 2021 BEETL Competition: Advancing Transfer Learning for Subject
Independence & Heterogenous EEG Data Sets [89.84774119537087]
我々は、診断とBCI(Brain-Computer-Interface)に関する2つの伝達学習課題を設計する。
第1タスクは、患者全体にわたる自動睡眠ステージアノテーションに対処する医療診断に重点を置いている。
タスク2はBrain-Computer Interface (BCI)に集中しており、被験者とデータセットの両方にわたる運動画像のデコードに対処する。
論文 参考訳(メタデータ) (2022-02-14T12:12:20Z) - Cross-Modality Deep Feature Learning for Brain Tumor Segmentation [158.8192041981564]
本稿では, マルチモーダルMRIデータから脳腫瘍を抽出するクロスモーダルディープ・フィーチャーラーニング・フレームワークを提案する。
中心となる考え方は、不十分なデータスケールを補うために、マルチモダリティデータにまたがる豊富なパターンをマイニングすることだ。
on the BraTS benchmarks, this proposed cross-modality deep feature learning framework could effective improve the brain tumor segmentation performance。
論文 参考訳(メタデータ) (2022-01-07T07:46:01Z) - Bidirectional Interaction between Visual and Motor Generative Models
using Predictive Coding and Active Inference [68.8204255655161]
本稿では,感覚予測のための生成モデルと,運動軌跡の生成モデルからなるニューラルアーキテクチャを提案する。
我々は,知覚予測のシーケンスが学習,制御,オンライン適応を導くレールとしてどのように機能するかを強調する。
論文 参考訳(メタデータ) (2021-04-19T09:41:31Z) - Few-shot Decoding of Brain Activation Maps [4.588028371034406]
限られた数のトレーニングサンプルが利用可能である問題に、少ないショットの学習が対処する。
数ショットの学習のためのニューロイメージングベンチマークデータセットを作成し、複数の学習パラダイムを比較する。
実験により、少数のショット法は、少数の例を使って脳信号を効率的に復号できることが示された。
論文 参考訳(メタデータ) (2020-10-23T16:04:45Z) - Siamese Neural Networks for EEG-based Brain-computer Interfaces [18.472950822801362]
我々は,シームズニューラルネットワークに基づく新しい脳波処理と特徴抽出パラダイムを提案する。
Siameseアーキテクチャは畳み込みニューラルネットワーク(CNN)に基づいて開発され、2つの入力の類似性に基づいたバイナリ出力を提供する。
このアーキテクチャの有効性は、Brain-Computer Interfaces (BCI) Competition IV-2aの4クラスのMotor Imageryデータセットで評価される。
論文 参考訳(メタデータ) (2020-02-03T17:31:39Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。