論文の概要: LGL-BCI: A Motor-Imagery-Based Brain-Computer Interface with Geometric Learning

• arxiv url: http://arxiv.org/abs/2310.08051v4
• Date: Wed, 26 Feb 2025 05:16:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-27 18:22:08.802166
• Title: LGL-BCI: A Motor-Imagery-Based Brain-Computer Interface with Geometric Learning
• Title（参考訳）: LGL-BCI:幾何学習による運動画像に基づく脳-コンピュータインタフェース
• Authors: Jianchao Lu, Yuzhe Tian, Yang Zhang, Quan Z. Sheng, Xi Zheng,
• Abstract要約: 我々はLGL-BCI(Lightweight Geometric Learning Brain-Computer Interface)と呼ばれるプロトタイプを開発する。 LGL-BCIは、我々のカスタマイズした幾何学的深層学習アーキテクチャを用いて、精度を犠牲にすることなく高速なモデル推論を行う。 実世界の2つの脳波デバイスと2つのパブリック脳波データセットを用いて,本ソリューションの性能を評価した。
• 参考スコア（独自算出の注目度）: 14.913592381049552
• License:
• Abstract: Brain--computer interfaces are groundbreaking technology whereby brain signals are used to control external devices. Despite some advances in recent years, electroencephalogram (EEG)-based motor-imagery tasks face challenges, such as amplitude and phase variability and complex spatial correlations, with a need for smaller models and faster inference. In this study, we develop a prototype, called the Lightweight Geometric Learning Brain--Computer Interface (LGL-BCI), which uses our customized geometric deep learning architecture for swift model inference without sacrificing accuracy. LGL-BCI contains an EEG channel selection module via a feature decomposition algorithm to reduce the dimensionality of a symmetric positive definite matrix, providing adaptiveness among the continuously changing EEG signal. Meanwhile, a built-in lossless transformation helps boost the inference speed. The performance of our solution was evaluated using two real-world EEG devices and two public EEG datasets. LGL-BCI demonstrated significant improvements, achieving an accuracy of 82.54% compared to 62.22% for the state-of-the-art approach. Furthermore, LGL-BCI uses fewer parameters (64.9K vs. 183.7K), highlighting its computational efficiency. These findings underscore both the superior accuracy and computational efficiency of LGL-BCI, demonstrating the feasibility and robustness of geometric deep learning in motor-imagery brain--computer interface applications.
• Abstract（参考訳）: 脳-コンピュータインターフェースは、外部デバイスを制御するために脳信号を使用する画期的な技術である。 近年の進歩にもかかわらず、脳波に基づく運動画像タスクは振幅や位相変動、複雑な空間相関といった課題に直面しており、より小さなモデルとより高速な推論が必要である。 本研究では,LGL-BCI (Lightweight Geometric Learning Brain-Computer Interface) と呼ばれるプロトタイプを開発した。 LGL-BCIは、特徴分解アルゴリズムを介してEEGチャネル選択モジュールを含み、対称正定行列の寸法を小さくし、連続的に変化するEEG信号間の適応性を提供する。 一方、ビルトインのロスレス変換は推論速度を向上する。 実世界の2つの脳波デバイスと2つのパブリック脳波データセットを用いて,本ソリューションの性能を評価した。 LGL-BCIは、最先端のアプローチでは62.22%に比べて精度が82.54%向上した。 さらに、LGL-BCIはより少ないパラメータ(64.9K vs. 183.7K)を使用し、計算効率を強調している。 これらの結果はLGL-BCIの精度と計算効率を両立させ,運動画像脳-コンピュータインタフェースへの応用における幾何学的深層学習の実現可能性と堅牢性を示した。

関連論文リスト

• Revisiting Euclidean Alignment for Transfer Learning in EEG-Based Brain-Computer Interfaces [18.870033864947377]
  伝達学習(TL)は脳波ベースの脳-コンピュータインタフェースの校正を高速化するために広く用いられている。 この課題に対処するため、2020年にエレクトロニックアライメント(EA)が提案された。 本稿では、EAの手順と正しい使用法を導入し、新たな研究の方向性を指摘し、EAを再考する。
  論文  参考訳（メタデータ） (2025-02-13T11:43:43Z)
• CEReBrO: Compact Encoder for Representations of Brain Oscillations Using Efficient Alternating Attention [53.539020807256904]
  交互注意(CEReBrO)を用いた脳振動の表現のための圧縮法について紹介する。 トークン化方式は、チャネルごとのパッチで脳波信号を表現します。 本研究では,チャネル内時間的ダイナミックスとチャネル間空間的相関を共同でモデル化し,通常の自己アテンションに比べて6倍少ないメモリで2倍の速度向上を実現するための注意機構を提案する。
  論文  参考訳（メタデータ） (2025-01-18T21:44:38Z)
• EEG-DCNet: A Fast and Accurate MI-EEG Dilated CNN Classification Method [10.791605945979995]
  EEG-Dilated Convolution Network (DCNet) と呼ばれる新しいマルチスケールアラス畳み込みニューラルネットワーク(CNN)モデルを提案する。 我々は1時間1ドルの畳み込み層を組み込み、EEG-DCNetのマルチブランチ並列アラス畳み込みアーキテクチャを利用する。 本稿では,EEG-DCNetが既存のSOTA(State-of-the-art)アプローチよりも,分類精度とKappaスコアの点で優れていることを示す。
  論文  参考訳（メタデータ） (2024-11-12T09:47:50Z)
• Geometric Neural Network based on Phase Space for BCI-EEG decoding [2.8196015357423376]
  ディープラーニングアルゴリズムの脳信号解析への統合は、まだ初期段階にある。 EEGは、非侵襲的で費用効果の高い性質と時間分解能に優れたため、BCIシステムを設計するための広く採用されている選択である。 本稿では、位相SPDNetアーキテクチャを提案し、その性能と結果の解釈可能性について分析する。
  論文  参考訳（メタデータ） (2024-03-08T19:36:20Z)
• ESTformer: Transformer Utilizing Spatiotemporal Dependencies for EEG Super-resolution [14.2426667945505]
  ESTformerは、Transformerに基づいた一時的な依存関係を利用するEEGフレームワークである。 ESTformerは、空間と時間次元に位置符号化法とマルチヘッド自己認識機構を適用する。
  論文  参考訳（メタデータ） (2023-12-03T12:26:32Z)
• A Hybrid Brain-Computer Interface Using Motor Imagery and SSVEP Based on Convolutional Neural Network [0.9176056742068814]
  本稿では,2ストリーム畳み込みニューラルネットワーク(TSCNN)を用いたハイブリッド脳-コンピュータインタフェースを提案する。 定常視覚誘発電位(SSVEP)と運動画像(MI)のパラダイムを組み合わせる。 TSCNNはトレーニングプロセスの2つのパラダイムにおいて、自動的に脳波の特徴を抽出する。
  論文  参考訳（メタデータ） (2022-12-10T12:34:36Z)
• EEG-Inception: An Accurate and Robust End-to-End Neural Network for EEG-based Motor Imagery Classification [123.93460670568554]
  本稿では,脳波に基づく運動画像(MI)分類のための新しい畳み込みニューラルネットワーク(CNN)アーキテクチャを提案する。 提案したCNNモデル、すなわちEEG-Inceptionは、Inception-Timeネットワークのバックボーン上に構築されている。 提案するネットワークは、生のEEG信号を入力とし、複雑なEEG信号前処理を必要としないため、エンドツーエンドの分類である。
  論文  参考訳（メタデータ） (2021-01-24T19:03:10Z)
• Reconfigurable Intelligent Surface Assisted Mobile Edge Computing with Heterogeneous Learning Tasks [53.1636151439562]
  モバイルエッジコンピューティング(MEC)は、AIアプリケーションに自然なプラットフォームを提供します。 再構成可能なインテリジェントサーフェス(RIS)の助けを借りて、MECで機械学習タスクを実行するインフラストラクチャを提示します。 具体的には,モバイルユーザの送信パワー,基地局のビームフォーミングベクトル,risの位相シフト行列を共同で最適化することにより,参加ユーザの学習誤差を最小化する。
  論文  参考訳（メタデータ） (2020-12-25T07:08:50Z)
• Performance of Dual-Augmented Lagrangian Method and Common Spatial Patterns applied in classification of Motor-Imagery BCI [68.8204255655161]
  運動画像に基づく脳-コンピュータインタフェース(MI-BCI)は、神経リハビリテーションのための画期的な技術になる可能性がある。 使用する脳波信号のノイズの性質のため、信頼性の高いBCIシステムは特徴の最適化と抽出のために特別な手順を必要とする。
  論文  参考訳（メタデータ） (2020-10-13T20:50:13Z)
• Optimization-driven Machine Learning for Intelligent Reflecting Surfaces Assisted Wireless Networks [82.33619654835348]
  インテリジェントサーフェス(IRS)は、個々の散乱素子の位相シフトを制御して無線チャネルを再形成するために用いられる。 散乱素子の規模が大きいため、受動ビームフォーミングは一般に高い計算複雑性によって挑戦される。 本稿では、IRS支援無線ネットワークの性能向上のための機械学習(ML)アプローチに焦点を当てる。
  論文  参考訳（メタデータ） (2020-08-29T08:39:43Z)
• Transfer Learning for Motor Imagery Based Brain-Computer Interfaces: A Complete Pipeline [54.73337667795997]
  移動学習(TL)は、新しい被験者の校正作業を減らすために、運動画像(MI)ベースの脳-コンピュータインタフェース(BCI)に広く用いられている。 本稿では,MIベースのBCIの3つのコンポーネント(空間フィルタリング,特徴工学,分類)すべてにおいてTLが考慮できることを示す。
  論文  参考訳（メタデータ） (2020-07-03T23:44:21Z)

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。