論文の概要: Phase Synchrony Component Self-Organization in Brain Computer Interface

• arxiv url: http://arxiv.org/abs/2310.03748v3
• Date: Wed, 11 Oct 2023 04:22:22 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-16 03:03:01.118586
• Title: Phase Synchrony Component Self-Organization in Brain Computer Interface
• Title（参考訳）: 脳コンピューターインタフェースにおける位相同期成分自己組織化
• Authors: Xu Niu, Na Lu, Huan Luo and Ruofan Yan
• Abstract要約: 相同期情報は、機能的な脳の接続を分析し、脳の活動を特定する上で重要な役割を担っている。 本稿では、データ依存空間フィルタの適応学習を可能にする位相同期成分自己組織化の概念を提案する。 この概念に基づいて、生の脳波信号から位相同期に基づく特徴を直接抽出する、最初のディープラーニングエンドツーエンドネットワークが開発された。
• 参考スコア（独自算出の注目度）: 3.2116198597240846
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Phase synchrony information plays a crucial role in analyzing functional brain connectivity and identifying brain activities. A widely adopted feature extraction pipeline, composed of preprocessing, selection of EEG acquisition channels, and phase locking value (PLV) calculation, has achieved success in motor imagery classification (MI). However, this pipeline is manual and reliant on expert knowledge, limiting its convenience and adaptability to different application scenarios. Moreover, most studies have employed mediocre data-independent spatial filters to suppress noise, impeding the exploration of more significant phase synchronization phenomena. To address the issues, we propose the concept of phase synchrony component self-organization, which enables the adaptive learning of data-dependent spatial filters for automating both the preprocessing and channel selection procedures. Based on this concept, the first deep learning end-to-end network is developed, which directly extracts phase synchrony-based features from raw EEG signals and perform classification. The network learns optimal filters during training, which are obtained when the network achieves peak classification results. Extensive experiments have demonstrated that our network outperforms state-of-the-art methods. Remarkably, through the learned optimal filters, significant phase synchronization phenomena can be observed. Specifically, by calculating the PLV between a pair of signals extracted from each sample using two of the learned spatial filters, we have obtained an average PLV exceeding 0.87 across all tongue MI samples. This high PLV indicates a groundbreaking discovery in the synchrony pattern of tongue MI.
• Abstract（参考訳）: 相同期情報は機能的脳接続の分析や脳活動の同定において重要な役割を果たす。 前処理、脳波取得チャネルの選択、位相ロック値(PLV)計算からなる広く採用されている特徴抽出パイプラインは、運動画像分類(MI)において成功している。 しかしながら、このパイプラインは手動で専門家の知識に依存しており、その利便性と適応性を異なるアプリケーションシナリオに制限している。 さらに、多くの研究では、ノイズを抑制するために中間データ非依存空間フィルタを用いており、より重要な位相同期現象の探索を妨げている。 そこで本稿では,前処理とチャネル選択の両方を自動化したデータ依存空間フィルタの適応学習を可能にする,位相同期コンポーネント自己組織化の概念を提案する。 この概念に基づいて、生の脳波信号から位相同期に基づく特徴を直接抽出し、分類を行う、最初のディープラーニングエンドツーエンドネットワークを開発した。 ネットワークはトレーニング中に最適なフィルタを学習し、ネットワークがピーク分類結果を達成すると得られる。 我々のネットワークは最先端の手法よりも優れています。 驚くべきことに、学習した最適フィルタにより、重要な位相同期現象が観察できる。 具体的には,2つの空間フィルタを用いて各試料から抽出した1対の信号間のPLVを計算することにより,各舌MIサンプルの平均PLVが0.87を超える値を得た。 この高いPLVは舌MIの同期パターンにおける画期的な発見を示す。

関連論文リスト

• 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)
• Understanding learning from EEG data: Combining machine learning and feature engineering based on hidden Markov models and mixed models [0.0]
  前頭蓋振動は空間ナビゲーションや記憶において重要な役割を担っていると考えられている。 EEGデータセットは非常に複雑で、神経信号の変化を解釈しにくくする。 本稿では,脳波データから特徴を抽出するために隠れマルコフと線形混合効果モデルを提案する。
  論文  参考訳（メタデータ） (2023-11-14T12:24:12Z)
• Diffusion Generative Flow Samplers: Improving learning signals through partial trajectory optimization [87.21285093582446]
  Diffusion Generative Flow Samplers (DGFS) はサンプルベースのフレームワークであり、学習プロセスを短い部分的軌道セグメントに分解することができる。 生成フローネットワーク(GFlowNets)のための理論から着想を得た。
  論文  参考訳（メタデータ） (2023-10-04T09:39:05Z)
• Transform Once: Efficient Operator Learning in Frequency Domain [69.74509540521397]
  本研究では、周波数領域の構造を利用して、空間や時間における長距離相関を効率的に学習するために設計されたディープニューラルネットワークについて検討する。 この研究は、単一変換による周波数領域学習のための青写真を導入している。
  論文  参考訳（メタデータ） (2022-11-26T01:56:05Z)
• A Novel Approach For Analysis of Distributed Acoustic Sensing System Based on Deep Transfer Learning [0.0]
  畳み込みニューラルネットワークは、空間情報を抽出するための非常に有能なツールである。 LSTM(Long-Short term memory)は、シーケンシャルデータを処理するための有効な機器である。 我々のフレームワークのVGG-16アーキテクチャは、50のトレーニングで100%の分類精度が得られる。
  論文  参考訳（メタデータ） (2022-06-24T19:56:01Z)
• Enhancement on Model Interpretability and Sleep Stage Scoring Performance with A Novel Pipeline Based on Deep Neural Network [4.296506281243336]
  本稿では,アメリカ睡眠医学会の定義に従い,脳波(EEG)の表現学習のための時間周波数フレームワークを提案する。 入力された脳波スペクトログラムは、時間と周波数軸の一連のパッチに分割され、さらに表現学習を行うための繊細な深層学習ネットワークに入力される。 提案したパイプラインは、大規模なデータベース、すなわちSleep Heart Health Study (SHHS)に対して検証され、その結果、ウェイク、N2、N3ステージの競合性能が最先端の作業より優れていることが示された。
  論文  参考訳（メタデータ） (2022-04-07T02:48:13Z)
• Improved Speech Emotion Recognition using Transfer Learning and Spectrogram Augmentation [56.264157127549446]
  音声感情認識(SER)は、人間とコンピュータの相互作用において重要な役割を果たす課題である。 SERの主な課題の1つは、データの不足である。 本稿では,スペクトログラム拡張と併用した移動学習戦略を提案する。
  論文  参考訳（メタデータ） (2021-08-05T10:39:39Z)
• Fast accuracy estimation of deep learning based multi-class musical source separation [79.10962538141445]
  本稿では,ニューラルネットワークのトレーニングやチューニングを行うことなく,任意のデータセットにおける楽器の分離性を評価する手法を提案する。 理想的な比マスクを持つオラクルの原理に基づいて、我々の手法は最先端のディープラーニング手法の分離性能を推定するための優れたプロキシである。
  論文  参考訳（メタデータ） (2020-10-19T13:05:08Z)
• On Transfer Learning of Traditional Frequency and Time Domain Features in Turning [1.0965065178451106]
  我々は従来の信号処理ツールを用いて、回転実験から得られた加速度計信号のチャタを識別する。 タグ付けされた信号は、分類器の訓練に使用される。 その結果、フーリエスペクトルから抽出した特徴は、分類器を訓練し、同じ切断構成からデータをテストする際に最も有益であることがわかった。
  論文  参考訳（メタデータ） (2020-08-28T14:47:57Z)
• MetricUNet: Synergistic Image- and Voxel-Level Learning for Precise CT Prostate Segmentation via Online Sampling [66.01558025094333]
  本稿では,前立腺領域を高速に局在させる第1段階と,前立腺領域を正確に区分する第2段階の2段階のフレームワークを提案する。 マルチタスクネットワークにおけるボクセルワイドサンプリングによる新しいオンラインメトリック学習モジュールを提案する。 本手法は,従来のクロスエントロピー学習法やDice損失学習法と比較して,より代表的なボクセルレベルの特徴を効果的に学習することができる。
  論文  参考訳（メタデータ） (2020-05-15T10:37:02Z)

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。