論文の概要: Decoding Working-Memory Load During n-Back Task Performance from High Channel NIRS Data

• arxiv url: http://arxiv.org/abs/2312.07546v1
• Date: Wed, 6 Dec 2023 07:14:00 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-15 14:34:21.564678
• Title: Decoding Working-Memory Load During n-Back Task Performance from High Channel NIRS Data
• Title（参考訳）: 高チャネルNIRSデータからのn-backタスク時のワーキングメモリ負荷のデコード
• Authors: Christian Kothe (1), Grant Hanada (1), Sean Mullen (1), Tim Mullen (1) ((1) Intheon, La Jolla, United States)
• Abstract要約: 近赤外分光法(NIRS)は、ウェアラブルフォームファクターにおいて、脳内の酸素濃度の変化を通じて神経活動を測定することができる。 NIRSは精神労働負荷などの認知状態を測定できることが証明されている。 何千ものチャンネルを持つ新しいタイプのウェアラブルNIRSデバイスが登場した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Near-infrared spectroscopy (NIRS) can measure neural activity through blood oxygenation changes in the brain in a wearable form factor, enabling unique applications for research in and outside the lab. NIRS has proven capable of measuring cognitive states such as mental workload, often using machine learning (ML) based brain-computer interfaces (BCIs). To date, NIRS research has largely relied on probes with under ten to several hundred channels, although recently a new class of wearable NIRS devices with thousands of channels has emerged. This poses unique challenges for ML classification, as NIRS is typically limited by few training trials which results in severely under-determined estimation problems. So far, it is not well understood how such high-resolution data is best leveraged in practical BCIs and whether state-of-the-art (SotA) or better performance can be achieved. To address these questions, we propose an ML strategy to classify working-memory load that relies on spatio-temporal regularization and transfer learning from other subjects in a combination that has not been used in previous NIRS BCIs. The approach can be interpreted as an end-to-end generalized linear model and allows for a high degree of interpretability using channel-level or cortical imaging approaches. We show that using the proposed methodology, it is possible to achieve SotA decoding performance with high-resolution NIRS data. We also replicated several SotA approaches on our dataset of 43 participants wearing a 3198 dual-channel NIRS device while performing the n-Back task and show that these existing methods struggle in the high-channel regime and are largely outperformed by the proposed method. Our approach helps establish high-channel NIRS devices as a viable platform for SotA BCI and opens new applications using this class of headset while also enabling high-resolution model imaging and interpretation.
• Abstract（参考訳）: nirs(near-infrared spectroscopy)は、ウェアラブルフォームファクターで脳の血液酸素化の変化を計測し、研究室内外の研究に特有の応用を可能にする。 NIRSは、しばしば機械学習(ML)ベースの脳-コンピュータインターフェース(BCI)を使用して、メンタルワークロードなどの認知状態を計測できることが証明されている。 これまで、NIRSの研究は10から数百のチャネルを持つプローブに大きく依存していたが、最近は何千ものチャネルを持つ新しいタイプのウェアラブルNIRSデバイスが出現した。 このことはML分類に固有の課題をもたらし、NIRSは典型的には少数のトレーニングトライアルによって制限され、重大な過小評価問題を引き起こす。 これまでのところ、このような高解像度データが実際的なBCIでどのように活用されているか、また、最先端(SotA)やより良いパフォーマンスが達成できるかはよく分かっていない。 これらの課題に対処するために,従来のNIRS BCIでは使われていない組み合わせで,時空間正規化と他者からの伝達学習に依存する作業記憶負荷を分類するML戦略を提案する。 このアプローチは、エンドツーエンドの一般化線形モデルとして解釈することができ、チャネルレベルまたは皮質イメージングアプローチを用いた高い解釈可能性を実現する。 提案手法を用いることで,高解像度NIRSデータを用いてSotA復号化性能を実現することができることを示す。 また,n-backタスクを実行中に3198個のデュアルチャネルnirsデバイスを装着した43名の参加者のデータセット上でsomaアプローチを再現し,既存の手法がハイチャネル処理に支障をきたし,提案手法に匹敵することを示した。 我々のアプローチは、SotA BCIの実行可能なプラットフォームとして高チャネルNIRSデバイスを確立するのに役立ち、このタイプのヘッドセットを使って新しいアプリケーションを開きながら、高解像度のモデルイメージングと解釈を可能にします。

関連論文リスト

• Fine-tuning -- a Transfer Learning approach [0.22344294014777952]
  電子健康記録(EHR)の欠落は、この貴重な資源に欠落するデータが豊富にあるため、しばしば妨げられる。 既存の深い計算手法は、計算処理とダウンストリーム解析の両方を組み込んだエンドツーエンドのパイプラインに依存している。 本稿では,モジュール型深層学習型計算・分類パイプラインの開発について検討する。
  論文  参考訳（メタデータ） (2024-11-06T14:18:23Z)
• Dilated Convolution with Learnable Spacings [1.8130068086063336]
  この論文は、Dilated Convolution with Learnable Spacings (DCLS)法を提示し、評価する。 コンピュータビジョン、音声、音声処理の分野における様々な教師あり学習実験を通じて、DCLS法は、標準および高度な畳み込み技術よりも優れていることを証明した。
  論文  参考訳（メタデータ） (2024-08-10T12:12:39Z)
• Enhancing Cognitive Workload Classification Using Integrated LSTM Layers and CNNs for fNIRS Data Analysis [13.74551296919155]
  本稿では、ディープラーニングモデルにおける畳み込みニューラルネットワーク(CNN)の有効性に対する長期記憶層の影響について検討する。 LSTMレイヤを統合することで、モデルがfNIRSデータ内の時間的依存関係をキャプチャし、認知状態をより包括的に理解することが可能になる。
  論文  参考訳（メタデータ） (2024-07-22T11:28:34Z)
• Robust Analysis of Multi-Task Learning Efficiency: New Benchmarks on Light-Weighed Backbones and Effective Measurement of Multi-Task Learning Challenges by Feature Disentanglement [69.51496713076253]
  本稿では,既存のMTL手法の効率性に焦点をあてる。 バックボーンを小さくしたメソッドの大規模な実験と,MetaGraspNetデータセットを新しいテストグラウンドとして実施する。 また,MTLにおける課題の新規かつ効率的な識別子として,特徴分散尺度を提案する。
  論文  参考訳（メタデータ） (2024-02-05T22:15:55Z)
• Model-based Deep Learning Receiver Design for Rate-Splitting Multiple Access [65.21117658030235]
  本研究では,モデルベース深層学習(MBDL)に基づく実用的なRSMA受信機の設計を提案する。 MBDL受信機は、符号なしシンボル誤り率(SER)、リンクレベルシミュレーション(LLS)によるスループット性能、平均トレーニングオーバーヘッドの観点から評価される。 その結果,MBDLはCSIRが不完全なSIC受信機よりも優れていた。
  論文  参考訳（メタデータ） (2022-05-02T12:23:55Z)
• Learning Bayesian Sparse Networks with Full Experience Replay for Continual Learning [54.7584721943286]
  継続学習(CL)手法は、機械学習モデルが、以前にマスターされたタスクを壊滅的に忘れることなく、新しいタスクを学習できるようにすることを目的としている。 既存のCLアプローチは、しばしば、事前に確認されたサンプルのバッファを保持し、知識蒸留を行い、あるいはこの目標に向けて正規化技術を使用する。 我々は,現在および過去のタスクを任意の段階で学習するために,スパースニューロンのみを活性化し,選択することを提案する。
  論文  参考訳（メタデータ） (2022-02-21T13:25:03Z)
• FFNB: Forgetting-Free Neural Blocks for Deep Continual Visual Learning [14.924672048447338]
  我々は、新しい忘れのないニューラルブロック(FFNB)に基づく連続学習のための動的ネットワークアーキテクチャを考案する。 FFNB機能を新しいタスクでトレーニングするには、以前のタスクのnull-スペースのパラメータを制約する新しいプロシージャを使用する。
  論文  参考訳（メタデータ） (2021-11-22T17:23:34Z)
• ADAVI: Automatic Dual Amortized Variational Inference Applied To Pyramidal Bayesian Models [0.0]
  本研究では,対象パラメータに双対なVariatonal familyを自動生成する手法を開発した。 シミュレーションデータにおける本手法の有効性と,高次元脳パーセレーション実験の課題について述べる。
  論文  参考訳（メタデータ） (2021-06-23T09:09:01Z)
• Gone Fishing: Neural Active Learning with Fisher Embeddings [55.08537975896764]
  ディープニューラルネットワークと互換性のあるアクティブな学習アルゴリズムの必要性が高まっている。 本稿では,ニューラルネットワークのための抽出可能かつ高性能な能動学習アルゴリズムBAITを紹介する。
  論文  参考訳（メタデータ） (2021-06-17T17:26:31Z)
• High Dimensional Level Set Estimation with Bayesian Neural Network [58.684954492439424]
  本稿では,ベイズニューラルネットワークを用いた高次元レベル集合推定問題を解く新しい手法を提案する。 各問題に対して対応する理論情報に基づく取得関数を導出してデータポイントをサンプリングする。 合成データセットと実世界データセットの数値実験により,提案手法は既存手法よりも優れた結果が得られることが示された。
  論文  参考訳（メタデータ） (2020-12-17T23:21:53Z)
• Continual Learning in Recurrent Neural Networks [67.05499844830231]
  リカレントニューラルネットワーク(RNN)を用いた逐次データ処理における連続学習手法の有効性を評価する。 RNNに弾性重み強化などの重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重 そこで本研究では,重み付け手法の性能が処理シーケンスの長さに直接的な影響を受けず,むしろ高動作メモリ要求の影響を受けていることを示す。
  論文  参考訳（メタデータ） (2020-06-22T10:05:12Z)

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。