論文の概要: A Convolutional Network Adaptation for Cortical Classification During Mobile Brain Imaging

• arxiv url: http://arxiv.org/abs/2310.07941v1
• Date: Wed, 11 Oct 2023 23:29:56 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-14 13:22:58.292418
• Title: A Convolutional Network Adaptation for Cortical Classification During Mobile Brain Imaging
• Title（参考訳）: 移動脳画像における皮質分類のための畳み込みネットワーク適応
• Authors: Benjamin Cichy, Jamie Lukos, Mohammad Alam, J. Cortney Bradford, Nicholas Wymbs
• Abstract要約: 脳波(EEG)信号から認知事象を分類するためにEEGNetを使用し、被験者はトレッドミル上を同時に歩いた。 基礎となるEEGNetは、以前報告されたP300結果と同等のパフォーマンスで、偶然よりもはるかに高いレベルに達することがわかりました。 これまでに報告されたP300タスクの技量レベルと同様,95%以上の分類精度を達成した。
• 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: Deep neural networks (DNN) have become increasingly utilized in brain-computer interface (BCI) technologies with the outset goal of classifying human physiological signals in computer-readable format. While our present understanding of DNN usage for BCI is promising, we have little experience in deciphering neural events from dynamic freely-mobile situations. Using an improved version of EEGNet, our goal was to classify cognitive events from electroencephalography (EEG) signals while subjects simultaneously walked on a treadmill, sometimes while carrying a rucksack equivalent to 40% of their body weight. Walking subjects simultaneously performed a visual oddball target detection task, eliciting the P300 event-related potential (ERP), which then served as the DNN classification target. We found the base EEGNet to reach classification levels well above chance, with similar performance to previously reported P300 results. We found performance to be robust to noise, with classification similar for walking and loaded walking, with respect to standard seated condition with minimal movement. With additional architectural search and tuning to the EEGNet model (termed Cog-Neuro, herein; CN-EEGNet), we reached classification accuracy of greater than 95%, similar to previously reported state of the art levels in seated P300 tasks. To our knowledge, these results are the first documented implementation of a DNN for the classification of cognitive neural state during dual-task walking. The classification of one's ongoing cognitive state during a demanding physical task establishes the utility for BCI in complex environments.
• Abstract（参考訳）: ディープニューラルネットワーク(Deep Neural Network, DNN)は、コンピュータ可読フォーマットで人間の生理的シグナルを分類することを目的として、脳-コンピュータインターフェース(BCI)技術でますます利用されるようになった。 現在、BCIにおけるDNNの使用法を理解することは有望であるが、動的に自由な状況から神経イベントを解読する経験はほとんどない。 eegnetの改良版を使って、被験者がトレッドミルを歩きながら、体重の40%に相当するラックサックを持ちながら、脳波(eeg)信号から認知事象を分類することを目標とした。 歩行中の被験者は同時にオッドボール目標検出タスクを実行し、p300イベント関連電位(erp)を抽出し、dnn分類対象とした。 基礎となるEEGNetは、以前報告されたP300結果と同等のパフォーマンスで、偶然よりもはるかに高いレベルに達することがわかりました。 運動が最小限である標準着座状態に対して,歩行や歩行に類似した分類を施し,騒音に対して頑健な性能を示した。 EEGNetモデル(以下CN-EEGNetと略す)に付加的なアーキテクチャ探索とチューニングを加えることで、これまでに報告されたP300タスクの技量レベルと同様、95%以上の分類精度を達成した。 我々の知る限り、これらの結果はデュアルタスク歩行中の認知神経状態の分類のためのDNNの最初の文書化実装である。 要求される物理的タスクの間、進行中の認知状態の分類は、複雑な環境でのbciの有用性を確立する。

関連論文リスト

• How neural networks learn to classify chaotic time series [77.34726150561087]
  本研究では,通常の逆カオス時系列を分類するために訓練されたニューラルネットワークの内部動作について検討する。 入力周期性とアクティベーション周期の関係は,LKCNNモデルの性能向上の鍵となる。
  論文  参考訳（メタデータ） (2023-06-04T08:53:27Z)
• ETLP: Event-based Three-factor Local Plasticity for online learning with neuromorphic hardware [105.54048699217668]
  イベントベース3要素局所塑性(ETLP)の計算複雑性に明らかな優位性を有する精度の競争性能を示す。 また, 局所的可塑性を用いた場合, スパイキングニューロンの閾値適応, 繰り返しトポロジーは, 時間的構造が豊富な時間的パターンを学習するために必要であることを示した。
  論文  参考訳（メタデータ） (2023-01-19T19:45:42Z)
• Mental arithmetic task classification with convolutional neural network based on spectral-temporal features from EEG [0.47248250311484113]
  ディープニューラルネットワーク(DNN)は、コンピュータビジョンアプリケーションにおいて大きな優位性を示している。 ここでは、主に2つの畳み込みニューラルネットワーク層を使用し、比較的少ないパラメータと高速で脳波からスペクトル時間的特徴を学習する浅層ニューラルネットワークを提案する。 実験の結果、浅いCNNモデルは他の全てのモデルより優れており、最高分類精度は90.68%に達した。
  論文  参考訳（メタデータ） (2022-09-26T02:15:22Z)
• Convolutional Spiking Neural Networks for Detecting Anticipatory Brain Potentials Using Electroencephalogram [0.21847754147782888]
  スパイキングニューラルネットワーク(SNN)は、生体系におけるシナプス接続を模倣しスパイクトレインを発生させるため、注目を集めている。 近年,畳み込みネットワークの特徴抽出能力とSNNの計算効率を組み合わせた畳み込み層が導入された。 本稿では、畳み込みスパイクニューラルネットワーク(CSNN)を用いて、予測速度の遅い大脳皮質電位を検出することの実現可能性について検討する。
  論文  参考訳（メタデータ） (2022-08-14T19:04:15Z)
• Fuzzy temporal convolutional neural networks in P300-based Brain-computer interface for smart home interaction [3.726817037277484]
  脳波パターンは、ノイズによる時間的変化と不確実性を示す。 これは、スマートホームインタラクションのためのP300ベースのBrain Computer Interfaceで対処すべき重要な問題である。 脳波信号、LSTM細胞、ファジィニューラルブロック(FNB)に修飾された時間畳み込みネットワーク(TCN)の逐次統合を提案する。
  論文  参考訳（メタデータ） (2022-04-09T00:35:35Z)
• Hybrid SNN-ANN: Energy-Efficient Classification and Object Detection for Event-Based Vision [64.71260357476602]
  イベントベースの視覚センサは、画像フレームではなく、イベントストリームの局所的な画素単位の明るさ変化を符号化する。 イベントベースセンサーによる物体認識の最近の進歩は、ディープニューラルネットワークの変換によるものである。 本稿では、イベントベースのパターン認識とオブジェクト検出のためのディープニューラルネットワークのエンドツーエンドトレーニングのためのハイブリッドアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2021-12-06T23:45:58Z)
• Classification of Motor Imagery EEG Signals by Using a Divergence Based Convolutional Neural Network [0.0]
  増強過程はEEG信号の分類性能を高めるために適用されないことが観察される。 本研究では、MI EEG信号の分類性能に及ぼす増強過程の影響について検討した。
  論文  参考訳（メタデータ） (2021-03-19T18:27:28Z)
• Emotional EEG Classification using Connectivity Features and Convolutional Neural Networks [81.74442855155843]
  CNNと脳のつながりを利用した新しい分類システムを導入し,その効果を感情映像分類により検証する。 対象映像の感情的特性に関連する脳接続の集中度は分類性能と相関する。
  論文  参考訳（メタデータ） (2021-01-18T13:28:08Z)
• Deep learning-based classification of fine hand movements from low frequency EEG [5.414308305392762]
  脳波信号から異なる手の動きの分類は、関連する研究課題である。 我々は新たに提案された畳み込みニューラルネットワーク(CNN)を訓練し、テストした。 CNNは両方のデータセットで優れたパフォーマンスを達成し、ベースラインモデルと似ているか優れている。
  論文  参考訳（メタデータ） (2020-11-13T07:16:06Z)
• Progressive Tandem Learning for Pattern Recognition with Deep Spiking Neural Networks [80.15411508088522]
  スパイキングニューラルネットワーク(SNN)は、低レイテンシと高い計算効率のために、従来の人工知能ニューラルネットワーク(ANN)よりも優位性を示している。 高速かつ効率的なパターン認識のための新しいANN-to-SNN変換およびレイヤワイズ学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-07-02T15:38:44Z)
• Recurrent Neural Network Learning of Performance and Intrinsic Population Dynamics from Sparse Neural Data [77.92736596690297]
  本稿では,RNNの入出力動作だけでなく,内部ネットワークのダイナミクスも学習できる新しいトレーニング戦略を提案する。 提案手法は、RNNを訓練し、生理学的にインスパイアされた神経モデルの内部ダイナミクスと出力信号を同時に再現する。 注目すべきは、トレーニングアルゴリズムがニューロンの小さなサブセットの活性に依存する場合であっても、内部動力学の再現が成功することである。
  論文  参考訳（メタデータ） (2020-05-05T14:16:54Z)

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。