論文の概要: SSVEP-DAN: A Data Alignment Network for SSVEP-based Brain Computer Interfaces

• arxiv url: http://arxiv.org/abs/2311.12666v1
• Date: Tue, 21 Nov 2023 15:18:29 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-23 00:02:14.786311
• Title: SSVEP-DAN: A Data Alignment Network for SSVEP-based Brain Computer Interfaces
• Title（参考訳）: SSVEP-DAN:SSVEPベースの脳コンピュータインタフェースのためのデータアライメントネットワーク
• Authors: Sung-Yu Chen, Chi-Min Chang, Kuan-Jung Chiang, Chun-Shu Wei
• Abstract要約: 定常視覚誘発電位(SSVEP)ベースの脳コンピュータインタフェース(BCI)は、高速スペルシステムを介して非侵襲的な通信手段を提供する。 SSVEP-DANは、異なるドメイン間でSSVEPデータを整合させるように設計された、最初の専用ニューラルネットワークモデルである。
• 参考スコア（独自算出の注目度）: 2.1192321523349404
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Steady-state visual-evoked potential (SSVEP)-based brain-computer interfaces (BCIs) offer a non-invasive means of communication through high-speed speller systems. However, their efficiency heavily relies on individual training data obtained during time-consuming calibration sessions. To address the challenge of data insufficiency in SSVEP-based BCIs, we present SSVEP-DAN, the first dedicated neural network model designed for aligning SSVEP data across different domains, which can encompass various sessions, subjects, or devices. Our experimental results across multiple cross-domain scenarios demonstrate SSVEP-DAN's capability to transform existing source SSVEP data into supplementary calibration data, significantly enhancing SSVEP decoding accuracy in scenarios with limited calibration data. We envision SSVEP-DAN as a catalyst for practical SSVEP-based BCI applications with minimal calibration. The source codes in this work are available at: https://github.com/CECNL/SSVEP-DAN.
• Abstract（参考訳）: 定常視覚誘発電位(SSVEP)ベースの脳コンピュータインタフェース(BCI)は、高速スペルシステムを介して非侵襲的な通信手段を提供する。 しかしながら、その効率は、時間消費型校正セッションで得られた個々のトレーニングデータに大きく依存する。 SSVEPベースのBCIにおけるデータ不足の課題に対処するため、SSVEP-DANは、さまざまなセッション、主題、デバイスを含む異なるドメイン間でSSVEPデータを整列するように設計された最初の専用ニューラルネットワークモデルである。 複数のクロスドメインシナリオにおける実験結果から,既存のssvepデータを補足キャリブレーションデータに変換するssvep-danの能力が示され,キャリブレーションデータに制限のあるシナリオにおけるssvep復号精度が著しく向上した。 我々はSSVEP-DANを最小限のキャリブレーションを持つ実用的SSVEPベースのBCIアプリケーションのための触媒として想定する。 この作業のソースコードは、https://github.com/CECNL/SSVEP-DANで公開されている。

関連論文リスト

• On Pretraining Data Diversity for Self-Supervised Learning [57.91495006862553]
  我々は、より多様なデータセットを用いたトレーニングが、固定された計算予算の下での自己教師付き学習(SSL)のパフォーマンスに与える影響について検討する。 以上の結果から,事前学習データの多様性の増大はSSL性能を向上させるが,下流データへの分布距離が最小である場合に限る。
  論文  参考訳（メタデータ） (2024-03-20T17:59:58Z)
• Convolutional Monge Mapping Normalization for learning on sleep data [63.22081662149488]
  我々は、CMMN(Convolutional Monge Mapping Normalization)と呼ばれる新しい手法を提案する。 CMMNは、そのパワースペクトル密度(PSD)をトレーニングデータに基づいて推定されるワッサーシュタインバリセンタに適応させるために、信号をフィルタリングする。 睡眠脳波データに関する数値実験により、CMMNはニューラルネットワークアーキテクチャから独立して、顕著で一貫したパフォーマンス向上をもたらすことが示された。
  論文  参考訳（メタデータ） (2023-05-30T08:24:01Z)
• A Transformer-based deep neural network model for SSVEP classification [18.766260137886054]
  本研究では,オブジェクト間分類シナリオにおけるトランスフォーマー構造に基づくSSVEP分類のためのディープラーニングモデルを提案する。 従来の研究から着想を得たモデルでは,SSVEPデータの周波数スペクトルを入力として採用し,分類のためのスペクトル領域情報と空間領域情報を探索する。 提案モデルでは,他のベースライン手法と比較して,分類精度と情報伝達率の点で良好な結果が得られる。
  論文  参考訳（メタデータ） (2022-10-09T05:28:35Z)
• Dynamic Network-Assisted D2D-Aided Coded Distributed Learning [59.29409589861241]
  本稿では,デバイス間のロードバランシングのための新しいデバイス・ツー・デバイス(D2D)支援型符号化学習手法(D2D-CFL)を提案する。 最小処理時間を達成するための最適圧縮率を導出し、収束時間との接続を確立する。 提案手法は,ユーザが継続的にトレーニングデータを生成するリアルタイム協調アプリケーションに有用である。
  論文  参考訳（メタデータ） (2021-11-26T18:44:59Z)
• NeuralDP Differentially private neural networks by design [61.675604648670095]
  ニューラルネットワーク内のいくつかの層の活性化を民営化する手法であるNeuralDPを提案する。 本研究では,DP-SGDと比較して,プライバシーとユーティリティのトレードオフを大幅に改善した2つのデータセットを実験的に検証した。
  論文  参考訳（メタデータ） (2021-07-30T12:40:19Z)
• Sensitivity analysis in differentially private machine learning using hybrid automatic differentiation [54.88777449903538]
  感性分析のための新しいテクスチブリド自動識別システム(AD)を導入する。 これにより、ニューラルネットワークをプライベートデータ上でトレーニングするなど、任意の微分可能な関数合成の感度をモデル化できる。 当社のアプローチは,データ処理の設定において,プライバシ損失に関する原則的推論を可能にする。
  論文  参考訳（メタデータ） (2021-07-09T07:19:23Z)
• Boosting Template-based SSVEP Decoding by Cross-domain Transfer Learning [2.454595178503407]
  我々は、最小二乗変換(LST)に基づく転送学習を取り入れて、最先端のテンプレートベースのSSVEPデコーディングを強化する。 研究結果は,既存データをドメイン間で転送する場合のSSVEPの変動を抑える上でのLSTの有効性を検証した。
  論文  参考訳（メタデータ） (2021-02-10T00:14:06Z)
• A Deep Neural Network for SSVEP-based Brain-Computer Interfaces [3.0595138995552746]
  脳-コンピュータインターフェース(BCI)のスペルのターゲット識別(英: Target Identification)とは、被験者がスペルを意図したターゲット特性を予測する脳波分類(EEG)を指す。 この設定では、ターゲット同定に対処し、新しいディープニューラルネットワーク(DNN)アーキテクチャを提案する。 提案したDNNは、マルチチャネルSSVEPを、ハーモニック、チャンネル、時間、および完全に接続された層で分類されたサブバンド間の畳み込みで処理する。
  論文  参考訳（メタデータ） (2020-11-17T11:11:19Z)
• Transfer Learning and SpecAugment applied to SSVEP Based BCI Classification [1.9336815376402716]
  我々は、ディープ畳み込みニューラルネットワーク(DCNN)を使用して、単一チャネル脳-コンピュータインタフェース(BCI)で脳波信号を分類する。 脳波信号はスペクトログラムに変換され、転送学習技術を用いてDCNNを訓練するための入力として機能した。
  論文  参考訳（メタデータ） (2020-10-08T00:30:12Z)
• A Principled Approach to Data Valuation for Federated Learning [73.19984041333599]
  フェデレートラーニング(FL)は、分散データソース上で機械学習(ML)モデルをトレーニングする一般的なテクニックである。 Shapley value (SV) はデータ値の概念として多くのデシラタを満たすユニークなペイオフスキームを定義する。 本稿では,FL に対応する SV の変種を提案する。
  論文  参考訳（メタデータ） (2020-09-14T04:37:54Z)

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。