論文の概要: Improved Motor Imagery Classification Using Adaptive Spatial Filters
Based on Particle Swarm Optimization Algorithm
- arxiv url: http://arxiv.org/abs/2310.19202v1
- Date: Sun, 29 Oct 2023 23:53:37 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-31 13:46:39.631728
- Title: Improved Motor Imagery Classification Using Adaptive Spatial Filters
Based on Particle Swarm Optimization Algorithm
- Title（参考訳）: 粒子群最適化アルゴリズムに基づく適応空間フィルタによる運動画像分類の改善
- Authors: Xiong Xiong, Ying Wang, Tianyuan Song, Jinguo Huang, Guixia Kang
- Abstract要約: 本稿では,粒子群最適化アルゴリズム(PSO)に基づく適応型空間フィルタ解法を提案する。
MIEEG信号分類のためのフィルタバンクと空間フィルタ(FBCSP-ASP)に基づくトレーニングおよびテストフレームワークを設計する。
提案手法の分類精度は, データセット2aと2bでそれぞれ74.61%, 81.19%に達している。
- 参考スコア（独自算出の注目度）: 4.93693103484175
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: As a typical self-paced brain-computer interface (BCI) system, the motor
imagery (MI) BCI has been widely applied in fields such as robot control,
stroke rehabilitation, and assistance for patients with stroke or spinal cord
injury. Many studies have focused on the traditional spatial filters obtained
through the common spatial pattern (CSP) method. However, the CSP method can
only obtain fixed spatial filters for specific input signals. Besides, CSP
method only focuses on the variance difference of two types of
electroencephalogram (EEG) signals, so the decoding ability of EEG signals is
limited. To obtain more effective spatial filters for better extraction of
spatial features that can improve classification to MI-EEG, this paper proposes
an adaptive spatial filter solving method based on particle swarm optimization
algorithm (PSO). A training and testing framework based on filter bank and
spatial filters (FBCSP-ASP) is designed for MI EEG signal classification.
Comparative experiments are conducted on two public datasets (2a and 2b) from
BCI competition IV, which show the outstanding average recognition accuracy of
FBCSP-ASP. The proposed method has achieved significant performance improvement
on MI-BCI. The classification accuracy of the proposed method has reached
74.61% and 81.19% on datasets 2a and 2b, respectively. Compared with the
baseline algorithm (FBCSP), the proposed algorithm improves 11.44% and 7.11% on
two datasets respectively. Furthermore, the analysis based on mutual
information, t-SNE and Shapley values further proves that ASP features have
excellent decoding ability for MI-EEG signals, and explains the improvement of
classification performance by the introduction of ASP features.
- Abstract（参考訳）: 典型的な自己ペーシング型脳-コンピューターインタフェース(bci)システムとして、運動画像(mi)bciは、ロボット制御、脳卒中リハビリテーション、脳卒中や脊髄損傷患者の補助などの分野で広く用いられている。
多くの研究は、共通空間パターン(CSP)法によって得られた伝統的な空間フィルタに焦点を当てている。
しかし、CSP法は特定の入力信号に対して固定空間フィルタしか取得できない。
また、csp法は2種類の脳波信号の分散差のみに焦点を当てており、脳波信号の復号能力は限られている。
本稿では,mi-eegへの分類を改善する空間的特徴の抽出に有効な空間的フィルタを得るため,粒子群最適化アルゴリズム(pso)に基づく適応的空間的フィルタ解法を提案する。
MIEEG信号分類のためのフィルタバンクと空間フィルタ(FBCSP-ASP)に基づくトレーニングおよびテストフレームワークを設計する。
比較実験は、FBCSP-ASPの優れた平均認識精度を示すBCIコンペティションIVの2つの公開データセット(2a, 2b)で実施された。
提案手法はmi-bciの性能向上を実現した。
提案手法の分類精度は,データセット2aと2bでそれぞれ74.61%,81.19%に達した。
ベースラインアルゴリズム(FBCSP)と比較して、提案アルゴリズムは2つのデータセットでそれぞれ11.44%と7.11%を改善する。
さらに,相互情報,t-sneおよびshapley値に基づく解析により,mi-eeg信号の復号性に優れたasp特徴が証明され,asp特徴の導入による分類性能の向上が説明できる。
関連論文リスト
- Dual-TSST: A Dual-Branch Temporal-Spectral-Spatial Transformer Model for EEG Decoding [2.0721229324537833]
デュアルブランチ時間スペクトル空間変換器(Dual-TSST)を用いた新しいデコードアーキテクチャネットワークを提案する。
提案するDual-TSSTは様々なタスクにおいて優れており,平均精度80.67%の脳波分類性能が期待できる。
本研究は,高性能脳波デコーディングへの新たなアプローチを提供するとともに,将来のCNN-Transformerベースのアプリケーションにも大きな可能性を秘めている。
論文 参考訳（メタデータ） (2024-09-05T05:08:43Z) - Enhancing Motor Imagery Decoding in Brain Computer Interfaces using
Riemann Tangent Space Mapping and Cross Frequency Coupling [5.860347939369221]
運動画像(MI)は脳コンピュータインタフェース(BCI)の領域における重要な実験パラダイムである
本稿では,MI特徴量に関する表現品質と復号化能力を向上させるための新しい手法を提案する。
さらに特徴抽出と分類のために軽量畳み込みニューラルネットワークが使用され、クロスエントロピーとセンターロスの共同管理の下で動作している。
論文 参考訳（メタデータ） (2023-10-29T23:37:47Z) - Scatter-based common spatial patterns -- a unified spatial filtering
framework [0.19573380763700707]
提案した scsCSP は,一般的な多クラス問題に対する統一的なフレームワークとして機能し,MI-BCI の性能向上を約束している。
分類性能は最先端の競合アルゴリズムと比較される。
論文 参考訳（メタデータ） (2023-03-07T11:19:18Z) - Multiple Time Series Fusion Based on LSTM An Application to CAP A Phase
Classification Using EEG [56.155331323304]
本研究では,深層学習に基づく脳波チャンネルの特徴レベル融合を行う。
チャネル選択,融合,分類手順を2つの最適化アルゴリズムで最適化した。
論文 参考訳（メタデータ） (2021-12-18T14:17:49Z) - Lung Cancer Lesion Detection in Histopathology Images Using Graph-Based
Sparse PCA Network [93.22587316229954]
ヘマトキシリンとエオシン(H&E)で染色した組織学的肺スライドにおける癌病変の自動検出のためのグラフベーススパース成分分析(GS-PCA)ネットワークを提案する。
我々は,SVM K-rasG12D肺がんモデルから得られたH&Eスライダーの精度・リコール率,Fスコア,谷本係数,レシーバ演算子特性(ROC)の曲線下領域を用いて,提案アルゴリズムの性能評価を行った。
論文 参考訳（メタデータ） (2021-10-27T19:28:36Z) - A SPA-based Manifold Learning Framework for Motor Imagery EEG Data
Classification [2.4727719996518487]
本稿では,運動画像(MI)タスクから2種類の脳波データを分類するための多様体学習フレームワークを提案する。
特徴抽出のために、前処理された脳波信号から共通空間パターン(CSP)によって実装される。
分類のための特徴の近傍では、データの支持に対する局所近似が得られ、次に最も近い支持を持つクラスに特徴が割り当てられる。
論文 参考訳（メタデータ） (2021-07-30T06:18:05Z) - 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) - 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) - A Computationally Efficient Multiclass Time-Frequency Common Spatial
Pattern Analysis on EEG Motor Imagery [164.93739293097605]
共通空間パターン(CSP)は脳波(EEG)運動画像(MI)の一般的な特徴抽出法である
本研究では,従来のCSPアルゴリズムを改良し,マルチクラスMI分類精度を改善し,計算処理の効率化を図る。
論文 参考訳（メタデータ） (2020-08-25T18:23:50Z) - 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。