論文の概要: 3D-CLMI: A Motor Imagery EEG Classification Model via Fusion of 3D-CNN
and LSTM with Attention
- arxiv url: http://arxiv.org/abs/2312.12744v1
- Date: Wed, 20 Dec 2023 03:38:24 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-21 16:50:10.171267
- Title: 3D-CLMI: A Motor Imagery EEG Classification Model via Fusion of 3D-CNN
and LSTM with Attention
- Title（参考訳）: 3D-CLMI:3D-CNNとLSTMの融合による運動画像脳波分類モデル
- Authors: Shiwei Cheng and Yuejiang Hao
- Abstract要約: 本稿では,3次元畳み込みニューラルネットワーク(CNN)と長期記憶ネットワーク(LSTM)を組み合わせて運動画像(MI)信号を分類するモデルを提案する。
実験の結果、このモデルは、BCIコンペティションIVデータセット2aの分類精度92.7%、F1スコア0.91に達した。
このモデルにより、ユーザの運動像意図の分類精度が大幅に向上し、自律走行車や医療リハビリテーションといった新興分野における脳-コンピュータインタフェースの応用可能性が改善された。
- 参考スコア（独自算出の注目度）: 0.174048653626208
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Due to the limitations in the accuracy and robustness of current
electroencephalogram (EEG) classification algorithms, applying motor imagery
(MI) for practical Brain-Computer Interface (BCI) applications remains
challenging. This paper proposed a model that combined a three-dimensional
convolutional neural network (CNN) with a long short-term memory (LSTM) network
with attention to classify MI-EEG signals. This model combined MI-EEG signals
from different channels into three-dimensional features and extracted spatial
features through convolution operations with multiple three-dimensional
convolutional kernels of different scales. At the same time, to ensure the
integrity of the extracted MI-EEG signal temporal features, the LSTM network
was directly trained on the preprocessed raw signal. Finally, the features
obtained from these two networks were combined and used for classification.
Experimental results showed that this model achieved a classification accuracy
of 92.7% and an F1-score of 0.91 on the public dataset BCI Competition IV
dataset 2a, which were both higher than the state-of-the-art models in the
field of MI tasks. Additionally, 12 participants were invited to complete a
four-class MI task in our lab, and experiments on the collected dataset showed
that the 3D-CLMI model also maintained the highest classification accuracy and
F1-score. The model greatly improved the classification accuracy of users'
motor imagery intentions, giving brain-computer interfaces better application
prospects in emerging fields such as autonomous vehicles and medical
rehabilitation.
- Abstract（参考訳）: 現在の脳波分類アルゴリズム(eeg)の精度とロバスト性に限界があるため、実用的脳-コンピューターインタフェース(bci)への運動画像(mi)の適用は困難である。
本稿では,3次元畳み込みニューラルネットワーク(CNN)と長期記憶ネットワーク(LSTM)を組み合わせてMI-EEG信号を分類するモデルを提案する。
このモデルは、異なるチャネルからのMI-EEG信号を3次元の特徴に組み合わせ、異なるスケールの複数の3次元畳み込みカーネルによる畳み込み操作により空間的特徴を抽出する。
同時に、抽出したMI-EEG信号の時間的特徴の整合性を確保するため、LSTMネットワークは前処理された生信号に基づいて直接訓練された。
最後に,これら2つのネットワークから得られた特徴を組み合わせ,分類に用いた。
実験の結果、このモデルは、MIタスクの分野における最先端モデルよりも高いBCIコンペティションIVデータセット2aにおいて、92.7%、F1スコア0.91の分類精度を達成した。
さらに,実験室で4クラスMIタスクを完了させるために12名の参加者が招待され,収集したデータセットを用いた実験の結果,3D-CLMIモデルも最高分類精度とF1スコアを維持した。
このモデルは、ユーザの運動イメージの意図の分類精度を大幅に改善し、自律走行車や医療リハビリテーションといった新興分野における脳-コンピューターインターフェースの応用性を高めた。
関連論文リスト
- Prototype Learning Guided Hybrid Network for Breast Tumor Segmentation in DCE-MRI [58.809276442508256]
本稿では,畳み込みニューラルネットワーク(CNN)とトランスフォーマー層を組み合わせたハイブリッドネットワークを提案する。
プライベートおよびパブリックなDCE-MRIデータセットの実験結果から,提案したハイブリッドネットワークは最先端の手法よりも優れた性能を示した。
論文 参考訳（メタデータ） (2024-08-11T15:46:00Z) - SDR-Former: A Siamese Dual-Resolution Transformer for Liver Lesion
Classification Using 3D Multi-Phase Imaging [59.78761085714715]
本研究は肝病変分類のための新しいSDR-Formerフレームワークを提案する。
提案フレームワークは2つの臨床データセットに関する総合的な実験を通じて検証された。
科学コミュニティを支援するため,肝病変解析のための多段階MRデータセットを公開しています。
論文 参考訳（メタデータ） (2024-02-27T06:32:56Z) - The effect of data augmentation and 3D-CNN depth on Alzheimer's Disease
detection [51.697248252191265]
この研究は、データハンドリング、実験設計、モデル評価に関するベストプラクティスを要約し、厳密に観察する。
我々は、アルツハイマー病(AD)の検出に焦点を当て、医療における課題のパラダイム的な例として機能する。
このフレームワークでは,3つの異なるデータ拡張戦略と5つの異なる3D CNNアーキテクチャを考慮し,予測15モデルを訓練する。
論文 参考訳（メタデータ） (2023-09-13T10:40:41Z) - A Hybrid Brain-Computer Interface Using Motor Imagery and SSVEP Based on
Convolutional Neural Network [0.9176056742068814]
本稿では,2ストリーム畳み込みニューラルネットワーク(TSCNN)を用いたハイブリッド脳-コンピュータインタフェースを提案する。
定常視覚誘発電位(SSVEP)と運動画像(MI)のパラダイムを組み合わせる。
TSCNNはトレーニングプロセスの2つのパラダイムにおいて、自動的に脳波の特徴を抽出する。
論文 参考訳（メタデータ） (2022-12-10T12:34:36Z) - MP-SeizNet: A Multi-Path CNN Bi-LSTM Network for Seizure-Type
Classification Using EEG [2.1915057426589746]
てんかん患者の治療と管理には, 精垂型鑑別が不可欠である。
本稿では,MP-SeizNetを用いた新しいマルチパス・アセプション型ディープラーニング・ネットワークを提案する。
MP-SeizNetは、畳み込みニューラルネットワーク(CNN)と、注意機構を備えた双方向長短期記憶ニューラルネットワーク(Bi-LSTM)で構成されている。
論文 参考訳（メタデータ） (2022-11-09T01:07:20Z) - Bayesian Neural Network Language Modeling for Speech Recognition [59.681758762712754]
長期記憶リカレントニューラルネットワーク(LSTM-RNN)とトランスフォーマーで表される最先端のニューラルネットワーク言語モデル(NNLM)は非常に複雑になりつつある。
本稿では,LSTM-RNN と Transformer LM の基盤となる不確実性を考慮するために,ベイズ学習フレームワークの全体構造を提案する。
論文 参考訳（メタデータ） (2022-08-28T17:50:19Z) - Convolutional Neural Networks with A Topographic Representation Module
for EEG-Based Brain-Computer Interfaces [4.269859225062717]
畳み込みニューラルネットワーク(CNN)は、脳-コンピュータインタフェース(BCI)の分野で大きな可能性を示している。
脳波トポロジカル表現モジュール(TRM)を提案する。
TRMは、(1)生の脳波信号から3次元の地形地図へのマッピングブロック、(2)地形地図から入力と同じ大きさの出力への畳み込みブロックからなる。
論文 参考訳（メタデータ） (2022-08-23T03:20:51Z) - A Deep Learning Network for the Classification of Intracardiac
Electrograms in Atrial Tachycardia [4.62891362095648]
心房頻拍に対するカテーテルアブレーション治療の成功を可能にする重要な技術は,アクティベーションマッピングである。
これは、分数化信号の信号活性化ピークを特定するのが困難であるため、時間を要する、エラーを起こしやすい手順である。
本研究では,EMG信号の自動分類を3つのタイプに分類するディープラーニング手法を提案する。
論文 参考訳（メタデータ） (2022-06-02T09:56:27Z) - CNN-based Approaches For Cross-Subject Classification in Motor Imagery:
From The State-of-The-Art to DynamicNet [0.2936007114555107]
運動画像(MI)ベースの脳-コンピュータインタフェース(BCI)システムは、コミュニケーションと制御の代替手段を提供するためにますます採用されています。
信頼できるBCIシステムを得るには、脳信号からMIを正確に分類することが不可欠です。
ディープラーニングアプローチは、標準的な機械学習技術の有効な代替手段として現れ始めている。
論文 参考訳（メタデータ） (2021-05-17T14:57:13Z) - ANNETTE: Accurate Neural Network Execution Time Estimation with Stacked
Models [56.21470608621633]
本稿では,アーキテクチャ検索を対象ハードウェアから切り離すための時間推定フレームワークを提案する。
提案手法は,マイクロカーネルと多層ベンチマークからモデルの集合を抽出し,マッピングとネットワーク実行時間推定のためのスタックモデルを生成する。
生成した混合モデルの推定精度と忠実度, 統計モデルとルーフラインモデル, 評価のための洗練されたルーフラインモデルを比較した。
論文 参考訳（メタデータ） (2021-05-07T11:39:05Z) - 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)
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。