論文の概要: Pseudo-online framework for BCI evaluation: A MOABB perspective

• arxiv url: http://arxiv.org/abs/2308.11656v1
• Date: Mon, 21 Aug 2023 09:22:07 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-24 17:28:00.187805
• Title: Pseudo-online framework for BCI evaluation: A MOABB perspective
• Title（参考訳）: BCI評価のための擬似オンラインフレームワーク:MOABBの視点から
• Authors: Igor Carrara (UCA, CRISAM), Th\'eodore Papadopoulo (UCA, CRISAM)
• Abstract要約: BCI(Brain-Computer Interface)技術は、オンライン、オフライン、擬似オンラインの3つのモードで動作する。 そこで本研究では,現在のMOABBフレームワークをオフラインモードで動作させ,擬似オンライン設定における異なるアルゴリズムの比較を可能にする。
• 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: Objective: BCI (Brain-Computer Interface) technology operates in three modes: online, offline, and pseudo-online. In the online mode, real-time EEG data is constantly analyzed. In offline mode, the signal is acquired and processed afterwards. The pseudo-online mode processes collected data as if they were received in real-time. The main difference is that the offline mode often analyzes the whole data, while the online and pseudo-online modes only analyze data in short time windows. Offline analysis is usually done with asynchronous BCIs, which restricts analysis to predefined time windows. Asynchronous BCI, compatible with online and pseudo-online modes, allows flexible mental activity duration. Offline processing tends to be more accurate, while online analysis is better for therapeutic applications. Pseudo-online implementation approximates online processing without real-time constraints. Many BCI studies being offline introduce biases compared to real-life scenarios, impacting classification algorithm performance. Approach: The objective of this research paper is therefore to extend the current MOABB framework, operating in offline mode, so as to allow a comparison of different algorithms in a pseudo-online setting with the use of a technology based on overlapping sliding windows. To do this will require the introduction of a idle state event in the dataset that takes into account all different possibilities that are not task thinking. To validate the performance of the algorithms we will use the normalized Matthews Correlation Coefficient (nMCC) and the Information Transfer Rate (ITR). Main results: We analyzed the state-of-the-art algorithms of the last 15 years over several Motor Imagery (MI) datasets composed by several subjects, showing the differences between the two approaches from a statistical point of view. Significance: The ability to analyze the performance of different algorithms in offline and pseudo-online modes will allow the BCI community to obtain more accurate and comprehensive reports regarding the performance of classification algorithms.
• Abstract（参考訳）: 目的: BCI(Brain-Computer Interface)技術は、オンライン、オフライン、擬似オンラインの3つのモードで動作する。 オンラインモードでは、リアルタイム脳波データが常に分析される。 オフラインモードでは、信号を取得して処理する。 擬似オンラインモードプロセスは、データをリアルタイムで受信したかのように収集する。 主な違いは、オフラインモードがデータ全体を分析することが多いことだが、オンラインモードと疑似オンラインモードは短時間のウィンドウでのみデータを分析する。 オフライン解析は通常、事前に定義された時間ウィンドウに分析を制限した非同期bcisで実行される。 オンラインモードや疑似オンラインモードと互換性のある非同期bciは、柔軟なメンタルアクティビティ持続時間を可能にする。 オフライン処理はより正確である傾向があり、オンライン分析は治療応用に適している。 Pseudo-online実装はリアルタイム制約なしでオンライン処理を近似する。 オフラインである多くのbci研究は、実際のシナリオと比較してバイアスをもたらし、分類アルゴリズムのパフォーマンスに影響を及ぼす。 アプローチ:本研究の目的は,現在のmoabbフレームワークをオフラインモードに拡張し,擬似オンライン環境での異なるアルゴリズムの比較と,重複するスライディングウインドウに基づく技術の利用を可能にすることである。 これを実現するには、タスク思考ではないあらゆる可能性を考慮してデータセットにアイドル状態イベントを導入する必要がある。 アルゴリズムの性能を検証するために,正規化マシューズ相関係数 (nMCC) と情報伝達率 (ITR) を用いる。 主な結果: いくつかの被験者が作成した複数の運動画像(MI)データセットから過去15年間の最先端のアルゴリズムを分析し, 統計的観点から両アプローチの差異を示した。 意味: オフラインモードと疑似オンラインモードで異なるアルゴリズムのパフォーマンスを分析する能力により、bciコミュニティは分類アルゴリズムのパフォーマンスに関するより正確で包括的なレポートを得ることができる。

関連論文リスト

• Automatic AI Model Selection for Wireless Systems: Online Learning via Digital Twinning [50.332027356848094]
  AIベースのアプリケーションは、スケジューリングや電力制御などの機能を実行するために、インテリジェントコントローラにデプロイされる。 コンテキストとAIモデルのパラメータのマッピングは、ゼロショット方式で理想的に行われる。 本稿では,AMSマッピングのオンライン最適化のための一般的な手法を紹介する。
  論文  参考訳（メタデータ） (2024-06-22T11:17:50Z)
• Exploring the Performance of Continuous-Time Dynamic Link Prediction Algorithms [14.82820088479196]
  ダイナミックリンク予測(DLP)は、進化するネットワークにおける将来のリンクの予測に対処する。 本研究では,このような総合的な評価を行うためのツールをコントリビュートする。 評価時に使用可能な陰性サンプリング手法の網羅的な分類法について述べる。
  論文  参考訳（メタデータ） (2024-05-27T14:03:28Z)
• Understanding the performance gap between online and offline alignment algorithms [63.137832242488926]
  オフラインのアルゴリズムは、ペアの分類が得意になるようにポリシーを訓練し、オンラインのアルゴリズムは世代ごとに良いことを示しています。 このことは、識別能力と生成能力の間のユニークな相互作用を示唆しており、これはサンプリングプロセスに大きく影響している。 我々の研究は、AIアライメントにおけるオンラインサンプリングの重要な役割に光を当て、オフラインアライメントアルゴリズムのある種の根本的な課題を示唆している。
  論文  参考訳（メタデータ） (2024-05-14T09:12:30Z)
• Online Estimation via Offline Estimation: An Information-Theoretic Framework [75.80823630681323]
  オフライン推定アルゴリズムをオンライン推定アルゴリズムに変換することは可能か? 我々はOracle-Efficient Online Estimation (OEOE)という新しいフレームワークを導入し,学習者はストリーム上で動作しているブラックボックスアルゴリズムによって生成されたオフライン推定器のシーケンスを通じて,データストリームと間接的にのみ対話することができる。
  論文  参考訳（メタデータ） (2024-04-15T20:19:18Z)
• Non-Convex Bilevel Optimization with Time-Varying Objective Functions [57.299128109226025]
  本稿では,時間変化の可能なオンライン二段階最適化を提案し,エージェントがオンラインデータを用いて決定を継続的に更新する。 既存のアルゴリズムと比較して、SOBOWは計算効率が良く、以前の関数を知る必要がない。 軽度条件下では,SOBOWはサブリニアな局所的後悔を達成できることを示す。
  論文  参考訳（メタデータ） (2023-08-07T06:27:57Z)
• Bridging the Gap Between Offline and Online Reinforcement Learning Evaluation Methodologies [6.303272140868826]
  強化学習(Reinforcement Learning, RL)は、大規模な状態と行動空間を持つ環境で学習するアルゴリズムに対して、非常に有望であることを示す。 現在の深層RLアルゴリズムは、学習に膨大な量の環境相互作用を必要とする。 オフラインのRLアルゴリズムは、既存のログデータから学習プロセスをブートストラップすることでこの問題に対処しようとする。
  論文  参考訳（メタデータ） (2022-12-15T20:36:10Z)
• Online vs. Offline Adaptive Domain Randomization Benchmark [20.69035879843824]
  オフラインとオンラインの両方の手法(SimOpt、BayRn、DROID、DROPO)のオープンなベンチマークを行い、各設定やタスクに最も適しているものを列挙する。 オンライン手法は次のイテレーションで学習したポリシーの品質によって制限されているのに対し,オフライン手法はオープンループコマンドによるシミュレーションでトラジェクトリを再生する際に失敗することがあることがわかった。
  論文  参考訳（メタデータ） (2022-06-29T14:03:53Z)
• Online Attentive Kernel-Based Temporal Difference Learning [13.94346725929798]
  オンライン強化学習(RL)はその高速学習能力とデータ効率の向上により注目されている。 オンラインRLは、しばしば複雑な値関数近似(VFA)と破滅的な干渉に悩まされる。 2時間スケール最適化を用いたオンラインカーネルに基づく時間差分法(OAKTD)を提案する。
  論文  参考訳（メタデータ） (2022-01-22T14:47:10Z)
• JUMBO: Scalable Multi-task Bayesian Optimization using Offline Data [86.8949732640035]
  追加データをクエリすることで制限をサイドステップするMBOアルゴリズムであるJUMBOを提案する。 GP-UCBに類似した条件下では, 応答が得られないことを示す。 実世界の2つの最適化問題に対する既存手法に対する性能改善を実証的に示す。
  論文  参考訳（メタデータ） (2021-06-02T05:03:38Z)
• Do Offline Metrics Predict Online Performance in Recommender Systems? [79.48653445643865]
  6つのシミュレーション環境におけるレコメンデータの評価により,オフラインメトリクスがオンラインのパフォーマンスを予測する程度について検討した。 オフラインメトリクスは、様々な環境におけるオンラインのパフォーマンスと相関している。 本研究は,探索戦略の追加による影響について検討し,その有効性はレコメンデーションアルゴリズムに大きく依存していることを示す。
  論文  参考訳（メタデータ） (2020-11-07T01:41:13Z)

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。