Fugu-MT 論文翻訳(概要): Decoding Brain Motor Imagery with various Machine Learning techniques

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

Towards Neural Foundation Models for Vision: Aligning EEG, MEG, and fMRI Representations for Decoding, Encoding, and Modality Conversion [0.11249583407496218]
本稿では, コントラスト学習を活用することで, 脳活動のマルチモーダル表現に対して, 神経データと視覚刺激を協調させる基礎モデルを構築するための新しいアプローチを提案する。脳波(EEG)、脳磁図(MEG)、fMRIデータを用いた。われわれのフレームワークの能力は、ニューラルデータから視覚情報をデコードし、画像をニューラル表現にエンコードし、ニューラルモダリティ間の変換という3つの重要な実験によって実証される。
論文参考訳（メタデータ） (2024-11-14T12:27:27Z)
Knowledge-Guided Prompt Learning for Lifespan Brain MR Image Segmentation [53.70131202548981]
本稿では,脳MRIにKGPL(Knowledge-Guided Prompt Learning)を用いた2段階のセグメンテーションフレームワークを提案する。具体的には,大規模データセットと準最適ラベルを用いたトレーニング前セグメンテーションモデルについて述べる。知識的プロンプトの導入は、解剖学的多様性と生物学的プロセスの間の意味的関係を捉えている。
論文参考訳（メタデータ） (2024-07-31T04:32:43Z)
The Wisdom of a Crowd of Brains: A Universal Brain Encoder [10.127005930959823]
我々は,様々な主題/データセット/マシンのデータに基づいて,共同で学習できるユニバーサル脳エンコーダを提案する。各画像における各脳軸の反応を予測するための訓練は,脳軸の埋め込みと多段階の深部画像特徴の相互注意を直接計算することで行う。このボクセル中心のアーキテクチャにより、各脳のボクセルの機能的役割は、自然にボクセル・イメージのクロスアテンションから生じる。
論文参考訳（メタデータ） (2024-06-18T01:17:07Z)
MindFormer: Semantic Alignment of Multi-Subject fMRI for Brain Decoding [50.55024115943266]
本稿では,MindFormer を用いたマルチオブジェクト fMRI 信号のセマンティックアライメント手法を提案する。このモデルは、fMRIから画像生成のための安定拡散モデルや、fMRIからテキスト生成のための大規模言語モデル(LLM)の条件付けに使用できるfMRI条件付き特徴ベクトルを生成するように設計されている。実験の結果,MindFormerは意味的に一貫した画像とテキストを異なる主題にわたって生成することがわかった。
論文参考訳（メタデータ） (2024-05-28T00:36:25Z)
BIMM: Brain Inspired Masked Modeling for Video Representation Learning [47.56270575865621]
本稿では、ビデオから包括的な表現を学習することを目的とした、Brain Inspired Masked Modeling (BIMM)フレームワークを提案する。具体的には腹側枝と背側枝からなり,それぞれ画像と映像の表現を学習する。脳内の異なる視覚皮質の目標を達成するために、各枝のエンコーダを3つの中間ブロックに分割し、軽量デコーダを用いて進行予測ターゲットを再構築する。
論文参考訳（メタデータ） (2024-05-21T13:09:04Z)
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)
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)
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。