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
- Online Variational Sequential Monte Carlo [56.16884466478886]
我々は,計算効率が高く正確なモデルパラメータ推定とベイジアン潜在状態推定を提供する変分連続モンテカルロ法(VSMC)を構築した。
オンラインVSMCは、パラメータ推定と粒子提案適応の両方を効率よく、完全にオンザフライで実行することができる。
論文 参考訳(メタデータ) (2023-12-19T21:45:38Z) - 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) - Re-Evaluating LiDAR Scene Flow for Autonomous Driving [80.37947791534985]
自己教師型LiDARシーンフローの一般的なベンチマークは、動的動き、非現実的な対応、非現実的なサンプリングパターンの非現実的な速度を持つ。
実世界のデータセットのスイート上で,トップメソッドのスイートを評価する。
学習に重点を置いているにもかかわらず、ほとんどのパフォーマンス向上は前処理と後処理のステップによって引き起こされる。
論文 参考訳(メタデータ) (2023-04-04T22:45:50Z) - 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) - SimCS: Simulation for Domain Incremental Online Continual Segmentation [60.18777113752866]
既存の継続学習アプローチは、主にクラス増分設定における画像分類に焦点を当てている。
シミュレーションデータを用いて連続学習を規則化するパラメータフリー手法であるSimCSを提案する。
論文 参考訳(メタデータ) (2022-11-29T14:17:33Z) - Branch Ranking for Efficient Mixed-Integer Programming via Offline
Ranking-based Policy Learning [45.1011106869493]
オフライン強化学習(RL)問題として分岐学習を定式化する。
オフラインポリシー学習を通じてブランチランキングと呼ばれるブランチモデルをトレーニングします。
合成MIPベンチマークと実世界のタスクの実験は、ブランチランクがより効率的で堅牢であることを示している。
論文 参考訳(メタデータ) (2022-07-26T15:34:10Z) - Offline Equilibrium Finding [40.08360411502593]
オフラインRLをマルチエージェントまたはマルチプレイヤーゲーム設定に一般化することを目指している。
この領域では、標準化されたデータセットと意味のあるベンチマークの欠如によって、進捗が妨げられているため、非常に少ない研究がなされている。
OEF-PSROとOEF-CFRの2つのモデルベースアルゴリズムは、オフライン学習の文脈で広く使われている平衡探索アルゴリズムDeep CFRとPSROの適応である。
論文 参考訳(メタデータ) (2022-07-12T03:41:06Z) - 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。