論文の概要: HappyFeat -- An interactive and efficient BCI framework for clinical
applications
- arxiv url: http://arxiv.org/abs/2310.02948v1
- Date: Wed, 4 Oct 2023 16:36:32 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-05 13:58:15.899410
- Title: HappyFeat -- An interactive and efficient BCI framework for clinical
applications
- Title（参考訳）: HappyFeat -- 臨床応用のためのインタラクティブで効率的なBCIフレームワーク
- Authors: Arthur Desbois, Tristan Venot, Fabrizio De Vico Fallani,
Marie-Constance Corsi
- Abstract要約: 本稿では,Motor Imagery(MI)ベースのBCI実験を容易にするソフトウェアであるHappyFeatを紹介する。
結果として得られるワークフローは、ベストな機能を選択して、優れたBCIパフォーマンスを達成するのに役立ちます。
HappyFeatはオープンソースプロジェクトとして利用可能で、GitHubから無料でダウンロードできる。
- 参考スコア（独自算出の注目度）: 1.0695468735073714
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Brain-Computer Interface (BCI) systems allow users to perform actions by
translating their brain activity into commands. Such systems usually need a
training phase, consisting in training a classification algorithm to
discriminate between mental states using specific features from the recorded
signals. This phase of feature selection and training is crucial for BCI
performance and presents specific constraints to be met in a clinical context,
such as post-stroke rehabilitation.
In this paper, we present HappyFeat, a software making Motor Imagery (MI)
based BCI experiments easier, by gathering all necessary manipulations and
analysis in a single convenient GUI and via automation of experiment or
analysis parameters. The resulting workflow allows for effortlessly selecting
the best features, helping to achieve good BCI performance in time-constrained
environments. Alternative features based on Functional Connectivity can be used
and compared or combined with Power Spectral Density, allowing a
network-oriented approach.
We then give details of HappyFeat's main mechanisms, and a review of its
performances in typical use cases. We also show that it can be used as an
efficient tool for comparing different metrics extracted from the signals, to
train the classification algorithm. To this end, we show a comparison between
the commonly-used Power Spectral Density and network metrics based on
Functional Connectivity.
HappyFeat is available as an open-source project which can be freely
downloaded on GitHub.
- Abstract（参考訳）: Brain-Computer Interface (BCI)システムでは、ユーザーは脳の活動をコマンドに変換することでアクションを実行することができる。
このようなシステムは通常、記録された信号から特定の特徴を用いて精神状態を識別する分類アルゴリズムを訓練する訓練段階を必要とする。
特徴選択とトレーニングのこのフェーズは、BCIのパフォーマンスに不可欠であり、ストローク後のリハビリテーションのような臨床コンテキストで満たすべき特定の制約を提示する。
本稿では,1つの便利なguiで必要な操作と解析を収集し,実験や分析パラメータの自動化により,運動画像(mi)ベースのbci実験を容易にするソフトウェアhappyfeatを提案する。
結果として得られたワークフローは、最高の機能を簡単に選択でき、時間に制約された環境で優れたbciパフォーマンスを達成するのに役立ちます。
関数接続性に基づく別の機能は、Power Spectral Densityと使用、比較、組み合わせて、ネットワーク指向のアプローチを可能にする。
次にhappyfeatの主なメカニズムの詳細と、典型的なユースケースにおけるそのパフォーマンスのレビューを提供する。
また,信号から抽出した異なる指標を比較し,分類アルゴリズムを学習するための効率的なツールとして使用できることを示す。
そこで本研究では,汎用のパワースペクトル密度と関数接続に基づくネットワークメトリクスの比較を行った。
HappyFeatはオープンソースプロジェクトとして利用可能で、GitHubから無料でダウンロードできる。
関連論文リスト
- Dynamic Perceiver for Efficient Visual Recognition [87.08210214417309]
特徴抽出手順と早期分類タスクを分離する動的知覚器(Dyn-Perceiver)を提案する。
特徴ブランチは画像の特徴を抽出し、分類ブランチは分類タスクに割り当てられた遅延コードを処理する。
早期出口は分類枝に限られており、低レベルの特徴において線形分離性は不要である。
論文 参考訳（メタデータ） (2023-06-20T03:00:22Z) - UNETR++: Delving into Efficient and Accurate 3D Medical Image Segmentation [93.88170217725805]
本稿では,高画質なセグメンテーションマスクと,パラメータ,計算コスト,推論速度の両面での効率性を提供するUNETR++という3次元医用画像セグメンテーション手法を提案する。
我々の設計の核となるのは、空間的およびチャネル的な識別的特徴を効率的に学習する、新しい効率的な対注意ブロック(EPA)の導入である。
Synapse, BTCV, ACDC, BRaTs, Decathlon-Lungの5つのベンチマークで評価した結果, 効率と精度の両面で, コントリビューションの有効性が示された。
論文 参考訳（メタデータ） (2022-12-08T18:59:57Z) - Great Truths are Always Simple: A Rather Simple Knowledge Encoder for
Enhancing the Commonsense Reasoning Capacity of Pre-Trained Models [89.98762327725112]
自然言語における常識推論は、人工知能システムの望ましい能力である。
複雑なコモンセンス推論タスクを解決するための典型的な解決策は、知識対応グラフニューラルネットワーク(GNN)エンコーダで事前訓練された言語モデル(PTM)を強化することである。
有効性にもかかわらず、これらのアプローチは重いアーキテクチャ上に構築されており、外部知識リソースがPTMの推論能力をどのように改善するかを明確に説明できない。
論文 参考訳（メタデータ） (2022-05-04T01:27:36Z) - Compactness Score: A Fast Filter Method for Unsupervised Feature
Selection [66.84571085643928]
本稿では,CSUFS (Compactness Score) と呼ばれる高速な教師なし特徴選択手法を提案する。
提案アルゴリズムは既存のアルゴリズムよりも正確で効率的である。
論文 参考訳（メタデータ） (2022-01-31T13:01:37Z) - On the utility of power spectral techniques with feature selection
techniques for effective mental task classification in noninvasive BCI [19.19039983741124]
本稿では,メンタルタスク分類において,関連性および非関連性のあるスペクトル特徴を選択する手法を提案する。
その結果,メンタルタスク分類のための学習モデルの性能は大幅に向上した。
論文 参考訳（メタデータ） (2021-11-16T00:27:53Z) - EEGminer: Discovering Interpretable Features of Brain Activity with
Learnable Filters [72.19032452642728]
本稿では,学習可能なフィルタと事前決定された特徴抽出モジュールからなる新しい識別可能なEEGデコーディングパイプラインを提案する。
我々は,SEEDデータセットおよび前例のない大きさの新たな脳波データセット上で,脳波信号からの感情認識に向けたモデルの有用性を実証する。
発見された特徴は、以前の神経科学の研究と一致し、音楽聴取中の左右の時間領域間の機能的接続プロファイルの顕著な相違など、新たな洞察を提供する。
論文 参考訳（メタデータ） (2021-10-19T14:22:04Z) - Canonical-Correlation-Based Fast Feature Selection for Structural Health Monitoring [4.533223834527272]
本稿では,観測された特徴と欲求探索における対象変数の2乗正準相関係数の和を効率的に計算し,高速な特徴選択アルゴリズムを提案する。
提案アルゴリズムは, 計算速度, 一般分類, 回帰タスク, 損傷に敏感な特徴選択タスクの両面において, その優位性を示すために, 合成データセットと実データセットの両方に適用される。
論文 参考訳（メタデータ） (2021-06-15T15:55:17Z) - Toward Real-World BCI: CCSPNet, A Compact Subject-Independent Motor
Imagery Framework [2.0741711594051377]
従来の脳-コンピュータインタフェース(BCI)は、使用前に各ユーザーに対して完全なデータ収集、トレーニング、校正フェーズを必要とする。
大規模脳波信号データベースの運動画像(MI)パラダイムを学習するCCSPNetという,新規な主体に依存しないBCIフレームワークを提案する。
提案手法は,ウェーブレット核畳み込みニューラルネットワーク(wkcnn)と時間畳み込みニューラルネットワーク(tcnn)を適用し,脳波信号の多様なスペクトル特性を表現・抽出する。
論文 参考訳（メタデータ） (2020-12-25T12:00:47Z) - Physical Action Categorization using Signal Analysis and Machine
Learning [2.430361444826172]
本稿では,4つの物理行動の分類のための機械学習に基づくフレームワークを提案する。
表面筋電図 (SEMG) は, 物理的運動を信号に変換して分類し, 使用するための非侵襲的なメカニズムを示す。
論文 参考訳（メタデータ） (2020-08-16T18:43:00Z) - A Trainable Optimal Transport Embedding for Feature Aggregation and its
Relationship to Attention [96.77554122595578]
固定サイズのパラメータ化表現を導入し、与えられた入力セットから、そのセットとトレーニング可能な参照の間の最適な輸送計画に従って要素を埋め込み、集約する。
我々のアプローチは大規模なデータセットにスケールし、参照のエンドツーエンドのトレーニングを可能にすると同時に、計算コストの少ない単純な教師なし学習メカニズムも提供する。
論文 参考訳（メタデータ） (2020-06-22T08:35:58Z) - Good Feature Matching: Towards Accurate, Robust VO/VSLAM with Low
Latency [23.443265839365054]
最先端VO/VSLAMシステムの解析は、性能(正確性と堅牢性)と効率(レイテンシ)のバランスのギャップを露呈する
本稿では,特徴量に基づくVSLAMの適用により,性能と効率のギャップを埋めることを目的としている。
論文 参考訳（メタデータ） (2020-01-03T03:50:54Z)
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。