論文の概要: Fast, accurate, and interpretable decoding of electrocorticographic
signals using dynamic mode decomposition
- arxiv url: http://arxiv.org/abs/2311.04225v1
- Date: Tue, 31 Oct 2023 07:13:43 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-12 19:34:27.260756
- Title: Fast, accurate, and interpretable decoding of electrocorticographic
signals using dynamic mode decomposition
- Title(参考訳): 動的モード分解を用いた電界信号の高速, 高精度, 解釈可能な復号
- Authors: Ryohei Fukuma, Kei Majima, Yoshinobu Kawahara, Okito Yamashita,
Yoshiyuki Shiraishi, Haruhiko Kishima and Takufumi Yanagisawa
- Abstract要約: 本稿では,任意の機械学習アルゴリズムで使用可能な,DMを時空間(sDM)に変換するGrassmannカーネルへのマッピング関数を提案する。
提案したsDM機能は、高速で正確で解釈可能なニューラルデコーディングを可能にする。
- 参考スコア(独自算出の注目度): 4.416399743917548
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Dynamic mode (DM) decomposition decomposes spatiotemporal signals into basic
oscillatory components (DMs). DMs can improve the accuracy of neural decoding
when used with the nonlinear Grassmann kernel, compared to conventional power
features. However, such kernel-based machine learning algorithms have three
limitations: large computational time preventing real-time application,
incompatibility with non-kernel algorithms, and low interpretability. Here, we
propose a mapping function corresponding to the Grassmann kernel that
explicitly transforms DMs into spatial DM (sDM) features, which can be used in
any machine learning algorithm. Using electrocorticographic signals recorded
during various movement and visual perception tasks, the sDM features were
shown to improve the decoding accuracy and computational time compared to
conventional methods. Furthermore, the components of the sDM features
informative for decoding showed similar characteristics to the high-$\gamma$
power of the signals, but with higher trial-to-trial reproducibility. The
proposed sDM features enable fast, accurate, and interpretable neural decoding.
- Abstract(参考訳): 動的モード(DM)分解は時空間信号を基本振動成分(DM)に分解する。
DMは従来のパワー特性と比較して非線形グラスマンカーネルを使用する場合のニューラルデコーディングの精度を向上させることができる。
しかし、カーネルベースの機械学習アルゴリズムには3つの制限がある。
本稿では,Grassmannカーネルに対応するマッピング関数を提案し,DMを任意の機械学習アルゴリズムで使用可能な空間的DM(sDM)特徴に明示的に変換する。
様々な運動および視覚知覚タスク中に記録された脳波信号を用いて,sdmの特徴を従来の手法と比較して復号精度と計算時間を改善することを示した。
さらに、復号化に有用なsdmの成分は、信号の高-$\gamma$ のパワーと類似した特性を示したが、試行錯誤の再現性は高かった。
提案したsDM機能は、高速で正確で解釈可能なニューラルデコーディングを可能にする。
関連論文リスト
- Parsimonious Dynamic Mode Decomposition: A Robust and Automated Approach for Optimally Sparse Mode Selection in Complex Systems [0.40964539027092917]
本稿では,Parsimonious Dynamic Mode Decomposition (parsDMD)を紹介する。
ParsDMDは、時間的および純粋に時間的データの両方に対して最適にスパースされた動的モードのサブセットを自動選択するように設計された新しいアルゴリズムである。
定在波信号、隠れ力学の同定、流体力学シミュレーション、大気表面温度(SST)データなど、さまざまなデータセットで検証されている。
論文 参考訳(メタデータ) (2024-10-22T03:00:11Z) - DyG-Mamba: Continuous State Space Modeling on Dynamic Graphs [59.434893231950205]
動的グラフ学習は、現実世界のシステムにおける進化の法則を明らかにすることを目的としている。
動的グラフ学習のための新しい連続状態空間モデルDyG-Mambaを提案する。
我々はDyG-Mambaがほとんどのデータセットで最先端のパフォーマンスを達成することを示す。
論文 参考訳(メタデータ) (2024-08-13T15:21:46Z) - Specific Emitter Identification Based on Joint Variational Mode Decomposition [7.959137957880584]
特定のエミッタ識別(SEI)技術は、自己組織化ネットワークやスペクトル管理などのデバイス管理シナリオにおいて重要である。
非線形および非定常電磁信号に対して、SEIはしばしば、異なるデバイス指紋を効果的に特徴付けるために、信号を分解するために変分モード分解(VMD)を用いる。
本稿では,マルチフレーム信号に対して同時にモーダル分解を実装し,VMDの改良版であるJVMDアルゴリズムを提案する。
論文 参考訳(メタデータ) (2024-01-03T02:19:32Z) - Quantized Non-Volatile Nanomagnetic Synapse based Autoencoder for
Efficient Unsupervised Network Anomaly Detection [0.07892577704654172]
ハードウェア,エネルギ,計算資源の制限により,リアルタイムに学習可能なエッジデバイスにオートエンコーダを実装することは困難であることを示す。
自己エンコーダのシナプスとして磁区壁(DW)をホストするノッチを用いた強磁性競馬場を提案する。
我々のDWベースのアプローチは、浮動小数点法と比較して、トレーニング中の重量更新の少なくとも3桁の顕著な減少を示す。
論文 参考訳(メタデータ) (2023-09-12T02:29:09Z) - Label-free timing analysis of SiPM-based modularized detectors with
physics-constrained deep learning [9.234802409391111]
モジュール化検出器のタイミング解析のためのディープラーニングに基づく新しい手法を提案する。
本稿では,提案手法が求める最適関数の存在を数学的に証明し,モデルのトレーニングと校正のための体系的アルゴリズムを提案する。
論文 参考訳(メタデータ) (2023-04-24T09:16:31Z) - On Neural Architectures for Deep Learning-based Source Separation of
Co-Channel OFDM Signals [104.11663769306566]
周波数分割多重化(OFDM)信号を含む単一チャネル音源分離問題について検討する。
我々はOFDM構造からの洞察に基づいて、ネットワークパラメータ化に対する重要なドメインインフォームド修正を提案する。
論文 参考訳(メタデータ) (2023-03-11T16:29:13Z) - Multi-Scale Control Signal-Aware Transformer for Motion Synthesis
without Phase [72.01862340497314]
マルチスケール制御信号認識変換器(MCS-T)を提案する。
MCS-Tは補助情報を用いてメソッドが生成した動作に匹敵する動作をうまく生成できる。
論文 参考訳(メタデータ) (2023-03-03T02:56:44Z) - A Comparison of Temporal Encoders for Neuromorphic Keyword Spotting with
Few Neurons [0.11726720776908518]
SNNにおける時間的エンコーディングと特徴抽出のための2つの神経計算要素について検討した。
リソース効率の良いキーワードスポッティングアプリケーションは、これらのエンコーダを使用することで恩恵を受けることができるが、時間定数と重み付けを学習する手法をさらに研究する必要がある。
論文 参考訳(メタデータ) (2023-01-24T12:50:54Z) - NAF: Neural Attenuation Fields for Sparse-View CBCT Reconstruction [79.13750275141139]
本稿では,スパースビューCBCT再構成のための新規かつ高速な自己教師型ソリューションを提案する。
所望の減衰係数は、3次元空間座標の連続関数として表現され、完全に接続されたディープニューラルネットワークによってパラメータ化される。
ハッシュ符号化を含む学習ベースのエンコーダが採用され、ネットワークが高周波の詳細をキャプチャするのに役立つ。
論文 参考訳(メタデータ) (2022-09-29T04:06:00Z) - ZippyPoint: Fast Interest Point Detection, Description, and Matching
through Mixed Precision Discretization [71.91942002659795]
我々は,ネットワーク量子化技術を用いて推論を高速化し,計算限定プラットフォームでの利用を可能にする。
バイナリディスクリプタを用いた効率的な量子化ネットワークZippyPointは,ネットワーク実行速度,ディスクリプタマッチング速度,3Dモデルサイズを改善する。
これらの改善は、ホモグラフィー推定、視覚的ローカライゼーション、マップフリーな視覚的再ローカライゼーションのタスクで評価されるように、小さなパフォーマンス劣化をもたらす。
論文 参考訳(メタデータ) (2022-03-07T18:59:03Z) - Dynamic Mode Decomposition in Adaptive Mesh Refinement and Coarsening
Simulations [58.720142291102135]
動的モード分解(DMD)はコヒーレントなスキームを抽出する強力なデータ駆動方式である。
本稿では,異なるメッシュトポロジと次元の観測からDMDを抽出する戦略を提案する。
論文 参考訳(メタデータ) (2021-04-28T22:14:25Z)
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。