論文の概要: EEG Decoding for Datasets with Heterogenous Electrode Configurations using Transfer Learning Graph Neural Networks

• arxiv url: http://arxiv.org/abs/2306.13109v1
• Date: Tue, 20 Jun 2023 16:29:00 GMT
• ステータス: 処理完了
• システム内更新日: 2023-07-02 13:56:21.999850
• Title: EEG Decoding for Datasets with Heterogenous Electrode Configurations using Transfer Learning Graph Neural Networks
• Title（参考訳）: トランスファーラーニンググラフニューラルネットワークを用いた異種電極構成を持つデータセットの脳波復号
• Authors: Jinpei Han, Xiaoxi Wei and A. Aldo Faisal
• Abstract要約: 記録装置や電極配置のばらつきのため、研究室や同じ研究室内で収集されたデータの組み合わせは困難である。 我々は,グラフニューラルネットワーク(GNN)と非侵襲型運動画像(MI)脳波デコーディングのための転送学習手法を組み合わせた,新しい機械学習フレームワークを開発した。
• 参考スコア（独自算出の注目度）: 5.349852254138086
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Brain-Machine Interfacing (BMI) has greatly benefited from adopting machine learning methods for feature learning that require extensive data for training, which are often unavailable from a single dataset. Yet, it is difficult to combine data across labs or even data within the same lab collected over the years due to the variation in recording equipment and electrode layouts resulting in shifts in data distribution, changes in data dimensionality, and altered identity of data dimensions. Our objective is to overcome this limitation and learn from many different and diverse datasets across labs with different experimental protocols. To tackle the domain adaptation problem, we developed a novel machine learning framework combining graph neural networks (GNNs) and transfer learning methodologies for non-invasive Motor Imagery (MI) EEG decoding, as an example of BMI. Empirically, we focus on the challenges of learning from EEG data with different electrode layouts and varying numbers of electrodes. We utilise three MI EEG databases collected using very different numbers of EEG sensors (from 22 channels to 64) and layouts (from custom layouts to 10-20). Our model achieved the highest accuracy with lower standard deviations on the testing datasets. This indicates that the GNN-based transfer learning framework can effectively aggregate knowledge from multiple datasets with different electrode layouts, leading to improved generalization in subject-independent MI EEG classification. The findings of this study have important implications for Brain-Computer-Interface (BCI) research, as they highlight a promising method for overcoming the limitations posed by non-unified experimental setups. By enabling the integration of diverse datasets with varying electrode layouts, our proposed approach can help advance the development and application of BMI technologies.
• Abstract（参考訳）: Brain-Machine Interface (BMI)は、トレーニングのために広範囲なデータを必要とする機能学習に機械学習メソッドを採用することで、大きな恩恵を受けている。 しかし、記録装置や電極配置のばらつき、データ分布の変化、データ次元の変化、データ次元の同一性の変化などにより、研究室間でのデータや、同じ研究室内で収集されたデータとを組み合わせることは困難である。 私たちの目標は、この制限を克服し、実験プロトコルの異なるラボ間で、多種多様なデータセットから学ぶことです。 領域適応問題に対処するため、BMIの例として、グラフニューラルネットワーク(GNN)と非侵襲型運動画像(MI)脳波デコーディングのための転送学習手法を組み合わせた新しい機械学習フレームワークを開発した。 実験では,異なる電極配置と異なる電極数を持つ脳波データから学習する上での課題に着目する。 我々は,異なる数の脳波センサ(22チャンネルから64チャンネル)とレイアウト(カスタムレイアウトから10～20チャンネル)を用いて収集した3つのMI EEGデータベースを利用する。 我々のモデルは、テストデータセットの標準偏差を低くして最高精度を達成した。 このことは、GNNベースの転送学習フレームワークが、異なる電極配置を持つ複数のデータセットからの知識を効果的に集約できることを示している。 本研究の知見は,非統一実験による限界を克服するための有望な手法として,脳-コンピュータ-インターフェース(bci)研究に重要な意味を持つ。 電極配置の異なる多様なデータセットの統合を可能とすることで,提案手法はBMI技術の発展と応用を促進するのに役立つ。

関連論文リスト

• Geodesic Optimization for Predictive Shift Adaptation on EEG data [53.58711912565724]
  ドメイン適応メソッドは、$X$と$y$で分散シフトが同時に発生したときに苦労する。 本稿では,GOPSA(Geodesic Optimization for Predictive Shift Adaptation)と呼ばれる新しい手法を提案する。 GOPSAは、脳波のバイオメディカル応用のための混合効果モデリングと機械学習を併用する可能性を持っている。
  論文  参考訳（メタデータ） (2024-07-04T12:15:42Z)
• Physics-informed and Unsupervised Riemannian Domain Adaptation for Machine Learning on Heterogeneous EEG Datasets [53.367212596352324]
  脳波信号物理を利用した教師なし手法を提案する。 脳波チャンネルをフィールド、ソースフリーなドメイン適応を用いて固定位置にマッピングする。 提案手法は脳-コンピュータインタフェース(BCI)タスクおよび潜在的なバイオマーカー応用におけるロバストな性能を示す。
  論文  参考訳（メタデータ） (2024-03-07T16:17:33Z)
• Deep learning applied to EEG data with different montages using spatial attention [0.0]
  脳波座標に空間的注意をあてて生の脳波データのチャネル調和を行う。 異なるチャネルモンタージュを用いてデータに基づいて訓練されたディープラーニングモデルは、23チャンネルと128チャンネルのデータモンタージュで訓練されたディープラーニングモデルよりもはるかに優れた性能を示すことを示す。
  論文  参考訳（メタデータ） (2023-10-16T16:17:33Z)
• Convolutional Monge Mapping Normalization for learning on sleep data [63.22081662149488]
  我々は、CMMN(Convolutional Monge Mapping Normalization)と呼ばれる新しい手法を提案する。 CMMNは、そのパワースペクトル密度(PSD)をトレーニングデータに基づいて推定されるワッサーシュタインバリセンタに適応させるために、信号をフィルタリングする。 睡眠脳波データに関する数値実験により、CMMNはニューラルネットワークアーキテクチャから独立して、顕著で一貫したパフォーマンス向上をもたらすことが示された。
  論文  参考訳（メタデータ） (2023-05-30T08:24:01Z)
• Motor Imagery Decoding Using Ensemble Curriculum Learning and Collaborative Training [11.157243900163376]
  マルチオブジェクトEEGデータセットは、いくつかの種類のドメインシフトを示す。 これらの領域シフトは、堅牢なクロスオブジェクトの一般化を妨げる。 複数の特徴抽出器を組み込んだ2段階モデルアンサンブルアーキテクチャを提案する。 我々のモデルアンサンブルアプローチはカリキュラム学習と協調学習の力を組み合わせたものであることを実証する。
  論文  参考訳（メタデータ） (2022-11-21T13:45:44Z)
• EEG4Students: An Experimental Design for EEG Data Collection and Machine Learning Analysis [3.8224226881450187]
  本稿では,BCI分類タスクのためのパーソナルコンピュータ上で効率的に動作可能な機械学習アルゴリズムについて検討する。 脳波に基づくBCIデータを収集するために、安価なコンシューマグレードデバイスを用いてこのようなBCI実験を行う方法について検討する。 我々はデータ収集プロトコルであるEEG4Studentsを開発した。
  論文  参考訳（メタデータ） (2022-08-24T19:10:11Z)
• Differentiable Agent-based Epidemiology [71.81552021144589]
  GradABM(GradABM)は、エージェントベースのモデリングのためのスケーラブルで微分可能な設計で、勾配に基づく学習と自動微分が可能である。 GradABMは、コモディティハードウェア上で数秒で数百万の人口をシミュレートし、ディープニューラルネットワークと統合し、異種データソースを取り込みます。
  論文  参考訳（メタデータ） (2022-07-20T07:32:02Z)
• Exploiting Multiple EEG Data Domains with Adversarial Learning [20.878816519635304]
  この文脈でデータソース不変表現を学習するための逆推論手法を提案する。 異なる音源領域からの脳波記録(感情認識SEED, SEED-IV, DEAP, DREAMER)を統一する。
  論文  参考訳（メタデータ） (2022-04-16T11:09:20Z)
• 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)
• Uncovering the structure of clinical EEG signals with self-supervised learning [64.4754948595556]
  教師付き学習パラダイムは、しばしば利用可能なラベル付きデータの量によって制限される。 この現象は脳波(EEG)などの臨床関連データに特に問題となる。 ラベルのないデータから情報を抽出することで、ディープニューラルネットワークとの競合性能に到達することができるかもしれない。
  論文  参考訳（メタデータ） (2020-07-31T14:34:47Z)

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。