論文の概要: Understanding learning from EEG data: Combining machine learning and feature engineering based on hidden Markov models and mixed models

• arxiv url: http://arxiv.org/abs/2311.08113v1
• Date: Tue, 14 Nov 2023 12:24:12 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-15 14:13:32.499140
• Title: Understanding learning from EEG data: Combining machine learning and feature engineering based on hidden Markov models and mixed models
• Title（参考訳）: 脳波データからの学習を理解する:隠れマルコフモデルと混合モデルに基づく機械学習と特徴工学の組み合わせ
• Authors: Gabriel Rodrigues Palma, Conor Thornberry, Se\'an Commins, Rafael de Andrade Moral
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Theta oscillations, ranging from 4-8 Hz, play a significant role in spatial learning and memory functions during navigation tasks. Frontal theta oscillations are thought to play an important role in spatial navigation and memory. Electroencephalography (EEG) datasets are very complex, making any changes in the neural signal related to behaviour difficult to interpret. However, multiple analytical methods are available to examine complex data structure, especially machine learning based techniques. These methods have shown high classification performance and the combination with feature engineering enhances the capability of these methods. This paper proposes using hidden Markov and linear mixed effects models to extract features from EEG data. Based on the engineered features obtained from frontal theta EEG data during a spatial navigation task in two key trials (first, last) and between two conditions (learner and non-learner), we analysed the performance of six machine learning methods (Polynomial Support Vector Machines, Non-linear Support Vector Machines, Random Forests, K-Nearest Neighbours, Ridge, and Deep Neural Networks) on classifying learner and non-learner participants. We also analysed how different standardisation methods used to pre-process the EEG data contribute to classification performance. We compared the classification performance of each trial with data gathered from the same subjects, including solely coordinate-based features, such as idle time and average speed. We found that more machine learning methods perform better classification using coordinate-based data. However, only deep neural networks achieved an area under the ROC curve higher than 80% using the theta EEG data alone. Our findings suggest that standardising the theta EEG data and using deep neural networks enhances the classification of learner and non-learner subjects in a spatial learning task.
• Abstract（参考訳）: 4-8hzのテタ振動は、ナビゲーションタスク中の空間学習と記憶機能において重要な役割を果たす。 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。 脳波(eeg)データセットは非常に複雑であり、行動に関連する神経信号の変化は解釈が困難である。 しかし、複雑なデータ構造、特に機械学習に基づく技術を調べるために、複数の解析手法が利用可能である。 これらの手法は高い分類性能を示し、特徴工学と組み合わせることでこれらの手法の能力を高める。 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。 2つの主要な実験(初回, 最終回)と2つの条件(初回, ノンラーナー)において, 前頭脳波データから得られた特徴に基づき, 学習者および非ラーナー参加者の分類における6つの機械学習手法(Polynomial Support Vector Machines, Non-linear Support Vector Machines, Random Forests, K-Nearest Neighbours, Ridge, Deep Neural Networks)の性能解析を行った。 また,脳波データを前処理するために異なる標準化手法が分類性能にどのように寄与するかを分析した。 アイドル時間や平均速度などの座標に基づく特徴を含む同一被験者から収集したデータと,各試験の分類性能を比較した。 より多くの機械学習手法が座標データを用いてより良い分類を行うことがわかった。 しかし、深層ニューラルネットワークのみが、theta eegデータのみを使用して、roc曲線の80%以上の領域を達成した。 その結果,脳波データの標準化と深層ニューラルネットワークの利用により,空間学習課題における学習者と非学習者の分類が向上することが示唆された。

関連論文リスト

• Machine Learning For Classification Of Antithetical Emotional States [1.1602089225841632]
  本研究は,DEAPデータセット上でのベースライン機械学習分類器の性能を解析する。 ディープラーニングアーキテクチャによるパフォーマンス向上を活用して、最先端に匹敵する結果を提供する。
  論文  参考訳（メタデータ） (2022-09-06T06:54:33Z)
• Representation Learning for Appliance Recognition: A Comparison to Classical Machine Learning [13.063093054280946]
  非侵入的負荷モニタリングは、集約的消費測定からエネルギー消費とアプライアンス状態情報を取得することを目的としている。 我々は、NILM処理チェーンをどのように改善し、複雑さを減らし、代わりに最近のディープラーニングアルゴリズムで設計するかを示す。 44個のアプライアンスの5万件以上のイベントを含む2つの大規模エネルギー消費データセットに対する全てのアプローチを評価した。
  論文  参考訳（メタデータ） (2022-08-26T15:09:20Z)
• Decision Forest Based EMG Signal Classification with Low Volume Dataset Augmented with Random Variance Gaussian Noise [51.76329821186873]
  我々は6種類の手振りを限定的なサンプル数で分類できるモデルを作成し、より広い聴衆によく一般化する。 信号のランダムなバウンドの使用など、より基本的な手法のセットにアピールするが、これらの手法がオンライン環境で持てる力を示したいと考えている。
  論文  参考訳（メタデータ） (2022-06-29T23:22:18Z)
• Inducing Gaussian Process Networks [80.40892394020797]
  本稿では,特徴空間と誘導点を同時に学習するシンプルなフレームワークであるGaussian Process Network (IGN)を提案する。 特に誘導点は特徴空間で直接学習され、複雑な構造化領域のシームレスな表現を可能にする。 実世界のデータセットに対する実験結果から,IGNは最先端の手法よりも大幅に進歩していることを示す。
  論文  参考訳（メタデータ） (2022-04-21T05:27:09Z)
• Neurosymbolic hybrid approach to driver collision warning [64.02492460600905]
  自律運転システムには2つの主要なアルゴリズムアプローチがある。 ディープラーニングだけでは、多くの分野で最先端の結果が得られています。 しかし、ディープラーニングモデルが機能しない場合、デバッグが非常に難しい場合もあります。
  論文  参考訳（メタデータ） (2022-03-28T20:29:50Z)
• 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)
• Model-Based Deep Learning [155.063817656602]
  信号処理、通信、制御は伝統的に古典的な統計モデリング技術に依存している。 ディープニューラルネットワーク(DNN)は、データから操作を学ぶ汎用アーキテクチャを使用し、優れたパフォーマンスを示す。 私たちは、原理数学モデルとデータ駆動システムを組み合わせて両方のアプローチの利点を享受するハイブリッド技術に興味があります。
  論文  参考訳（メタデータ） (2020-12-15T16:29:49Z)
• Revisiting the Application of Feature Selection Methods to Speech Imagery BCI Datasets [1.7403133838762446]
  音声画像データセットに対して,機能選択/ランク付け手法がいかにシンプルで強力かを示す。 我々の第一の目的は、サポートベクターマシン、$k$-nearest近辺、決定木、線形判別分析、長期記憶リカレントニューラルネットワーク分類器から得られる分類精度を改善することである。
  論文  参考訳（メタデータ） (2020-08-17T22:48:52Z)
• Uncovering the structure of clinical EEG signals with self-supervised learning [64.4754948595556]
  教師付き学習パラダイムは、しばしば利用可能なラベル付きデータの量によって制限される。 この現象は脳波(EEG)などの臨床関連データに特に問題となる。 ラベルのないデータから情報を抽出することで、ディープニューラルネットワークとの競合性能に到達することができるかもしれない。
  論文  参考訳（メタデータ） (2020-07-31T14:34:47Z)
• Deep transfer learning for improving single-EEG arousal detection [63.52264764099532]
  2つのデータセットは、単一のEEGモデルでパフォーマンスが低下する原因となる、まったく同じ設定を含んでいない。 単チャンネル脳波データのためのアーキテクチャを構築するために,ベースラインモデルをトレーニングし,最初の2層を置き換える。 細調整戦略を用いて,本モデルはベースラインモデルと同等の性能を示し,同等の単一チャネルモデルよりも大幅に優れていた。
  論文  参考訳（メタデータ） (2020-04-10T16:51:06Z)

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。