論文の概要: An Interpretable and Attention-based Method for Gaze Estimation Using
Electroencephalography
- arxiv url: http://arxiv.org/abs/2308.05768v1
- Date: Wed, 9 Aug 2023 16:58:01 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-14 16:04:33.875787
- Title: An Interpretable and Attention-based Method for Gaze Estimation Using
Electroencephalography
- Title(参考訳): 脳波を用いた視線推定のための解釈と注意に基づく方法
- Authors: Nina Weng, Martyna Plomecka, Manuel Kaufmann, Ard Kastrati, Roger
Wattenhofer, Nicolas Langer
- Abstract要約: 脳波データから視線を推定するための解釈可能なモデルを提案するため,脳波と視線追跡を同時に測定した大規模なデータセットを利用する。
本稿では,脳波信号分析のための新しい注目に基づくディープラーニングフレームワークを提案する。
- 参考スコア(独自算出の注目度): 8.09848629098117
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Eye movements can reveal valuable insights into various aspects of human
mental processes, physical well-being, and actions. Recently, several datasets
have been made available that simultaneously record EEG activity and eye
movements. This has triggered the development of various methods to predict
gaze direction based on brain activity. However, most of these methods lack
interpretability, which limits their technology acceptance. In this paper, we
leverage a large data set of simultaneously measured Electroencephalography
(EEG) and Eye tracking, proposing an interpretable model for gaze estimation
from EEG data. More specifically, we present a novel attention-based deep
learning framework for EEG signal analysis, which allows the network to focus
on the most relevant information in the signal and discard problematic
channels. Additionally, we provide a comprehensive evaluation of the presented
framework, demonstrating its superiority over current methods in terms of
accuracy and robustness. Finally, the study presents visualizations that
explain the results of the analysis and highlights the potential of attention
mechanism for improving the efficiency and effectiveness of EEG data analysis
in a variety of applications.
- Abstract(参考訳): 眼球運動は、人間の精神過程、身体的幸福、行動の様々な側面に関する貴重な洞察を明らかにすることができる。
近年,脳波活動と眼球運動を同時に記録するデータセットがいくつか公開されている。
このことが脳活動に基づいて視線方向を予測する様々な手法の開発のきっかけとなった。
しかし、これらの方法のほとんどには解釈性が欠けており、技術受容が制限されている。
本稿では、脳波データから視線推定を行うための解釈可能なモデルを提案し、同時に測定された脳波(EEG)と視線追跡の大規模なデータセットを利用する。
より具体的には、脳波信号分析のための新しい注目に基づくディープラーニングフレームワークを提案する。
さらに,提案フレームワークを包括的に評価し,精度とロバスト性の観点から現在の手法よりも優れていることを示す。
最後に,分析結果を説明する可視化を行い,様々なアプリケーションにおける脳波データ解析の効率と有効性を改善するための注意メカニズムの可能性を強調した。
関連論文リスト
- EEGFormer: Towards Transferable and Interpretable Large-Scale EEG
Foundation Model [39.363511340878624]
大規模複合脳波データに基づいて事前学習した脳波基礎モデル,すなわちEEGFormerを提案する。
本モデルの有効性を検証するため,様々な下流タスクにおいて広範囲に評価し,異なる転送条件下での性能を評価する。
論文 参考訳(メタデータ) (2024-01-11T17:36:24Z) - Graph Convolutional Network with Connectivity Uncertainty for EEG-based
Emotion Recognition [20.655367200006076]
本研究では,脳波信号の空間依存性と時間スペクトルの相対性を表す分布に基づく不確実性手法を提案する。
グラフ混合手法は、遅延接続エッジを強化し、ノイズラベル問題を緩和するために用いられる。
感情認識タスクにおいて、SEEDとSEEDIVという2つの広く使われているデータセットに対するアプローチを評価した。
論文 参考訳(メタデータ) (2023-10-22T03:47:11Z) - A Knowledge-Driven Cross-view Contrastive Learning for EEG
Representation [48.85731427874065]
本稿では,限られたラベルを持つ脳波から効果的な表現を抽出する知識駆動型クロスビューコントラスト学習フレームワーク(KDC2)を提案する。
KDC2法は脳波信号の頭皮と神経のビューを生成し、脳活動の内部および外部の表現をシミュレートする。
ニューラル情報整合性理論に基づく事前のニューラル知識をモデル化することにより、提案手法は不変かつ相補的なニューラル知識を抽出し、複合表現を生成する。
論文 参考訳(メタデータ) (2023-09-21T08:53:51Z) - fMRI from EEG is only Deep Learning away: the use of interpretable DL to
unravel EEG-fMRI relationships [68.8204255655161]
多チャンネル脳波データからいくつかの皮質下領域の活性を回復するための解釈可能な領域基底解を提案する。
我々は,皮質下核の血行動態信号の頭皮脳波予測の空間的・時間的パターンを復元する。
論文 参考訳(メタデータ) (2022-10-23T15:11:37Z) - A Deep Learning Approach for the Segmentation of Electroencephalography
Data in Eye Tracking Applications [56.458448869572294]
脳波データの時系列セグメンテーションのための新しいフレームワークDETRtimeを紹介する。
エンドツーエンドのディープラーニングベースのフレームワークは、コンピュータビジョンの進歩を前面に立たせています。
我々のモデルは脳波睡眠ステージセグメンテーションのタスクにおいてよく一般化される。
論文 参考訳(メタデータ) (2022-06-17T10:17:24Z) - Emotion Estimation from EEG -- A Dual Deep Learning Approach Combined
with Saliency [2.555313870523154]
本稿では,コンピュータビジョンに特化した新しい深層学習(DL)モデルと,専門家が定義する生理的知識を考慮した2つの手法を提案する。
グローバルなアプローチを示すため、このモデルは4つの公開データセットで評価され、最先端のアプローチと同じような結果が得られる。
論文 参考訳(メタデータ) (2022-01-11T11:38:36Z) - Dynamic Graph Modeling of Simultaneous EEG and Eye-tracking Data for
Reading Task Identification [79.41619843969347]
我々は、脳波(EEG)と眼球運動(EM)データからヒトの読取意図を特定するための新しいアプローチAdaGTCNを提案する。
本稿では,AdaGTCN(Adaptive Graph Temporal Convolution Network)の手法として,Adaptive Graph Learning LayerとDeep Neighborhood Graph Convolution Layerを用いた。
このアプローチといくつかのベースラインを比較し、ZuCo 2.0データセットの6.29%の改善と広範なアブレーション実験を報告します。
論文 参考訳(メタデータ) (2021-02-21T18:19:49Z) - A Novel Transferability Attention Neural Network Model for EEG Emotion
Recognition [51.203579838210885]
脳波感情認識のための伝達型注目ニューラルネットワーク(TANN)を提案する。
TANNは、伝達可能な脳波領域のデータとサンプルを適応的に強調することにより、感情的な識別情報を学習する。
これは、複数の脳領域レベル判別器と1つのサンプルレベル判別器の出力を測定することで実現できる。
論文 参考訳(メタデータ) (2020-09-21T02:42:30Z) - Opportunities and Challenges of Deep Learning Methods for
Electrocardiogram Data: A Systematic Review [62.490310870300746]
心電図(Electrocardiogram、ECG)は、医学および医療において最も一般的に用いられる診断ツールの1つである。
深層学習法は心電図信号を用いた予測医療タスクにおいて有望な結果を得た。
本稿では、モデリングとアプリケーションの観点から、ECGデータに対するディープラーニング手法の体系的なレビューを行う。
論文 参考訳(メタデータ) (2019-12-28T02:44:29Z)
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。