論文の概要: Using i-vectors for subject-independent cross-session EEG transfer
learning
- arxiv url: http://arxiv.org/abs/2401.08851v1
- Date: Tue, 16 Jan 2024 21:56:27 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-18 17:34:39.763367
- Title: Using i-vectors for subject-independent cross-session EEG transfer
learning
- Title(参考訳): 被験者非依存型脳波伝達学習におけるi-vectorsの利用
- Authors: Jonathan Lasko, Jeff Ma, Mike Nicoletti, Jonathan Sussman-Fort,
Sooyoung Jeong, William Hartmann
- Abstract要約: 認知負荷分類は、脳波(EEG)などの生理学的指標に基づいて、作業中の記憶資源の活用を自動的に判定するタスクである。
本稿では,この問題に対処するために,音声処理のツールや方法論を用いる,学際的なアプローチに従う。
我々が使用しているコーパスは2021年に、クロスセッションのワークロード推定に関する最初の受動的脳-コンピュータインターフェースコンペティションの一部として公開された。
- 参考スコア(独自算出の注目度): 2.384393656668996
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Cognitive load classification is the task of automatically determining an
individual's utilization of working memory resources during performance of a
task based on physiologic measures such as electroencephalography (EEG). In
this paper, we follow a cross-disciplinary approach, where tools and
methodologies from speech processing are used to tackle this problem. The
corpus we use was released publicly in 2021 as part of the first passive
brain-computer interface competition on cross-session workload estimation. We
present our approach which used i-vector-based neural network classifiers to
accomplish inter-subject cross-session EEG transfer learning, achieving 18%
relative improvement over equivalent subject-dependent models. We also report
experiments showing how our subject-independent models perform competitively on
held-out subjects and improve with additional subject data, suggesting that
subject-dependent training is not required for effective cognitive load
determination.
- Abstract(参考訳): 認知的負荷分類は、脳波(EEG)などの生理学的指標に基づいて、作業中の記憶資源の活用を自動的に判定するタスクである。
本稿では,この問題に対処するために,音声処理のツールや方法論を用いる分野横断的なアプローチに従う。
我々が使用しているコーパスは2021年に、クロスセッションのワークロード推定に関する最初の受動的脳-コンピュータインターフェースコンペティションの一部として公開された。
我々は,i-vector-based Neural Network Classifiers を用いて,物体間EEG伝達学習を実現し,等価対象依存モデルよりも18%の相対的改善を実現した。
また, 被験者非依存モデルが保持対象に対して競争的に機能し, 追加対象データで改善する実験を報告し, 効果的な認知負荷判定には, 被験者非依存トレーニングは必要ないことを示唆した。
関連論文リスト
- Investigating the Pre-Training Dynamics of In-Context Learning: Task Recognition vs. Task Learning [99.05401042153214]
In-context Learning(ICL)は、タスク認識(TR)とタスク学習(TL)の2つの主要な能力に起因する可能性がある。
ICLの出現の事前学習のダイナミクスを調べることで、第一歩を踏み出す。
そこで本研究では,この2つの機能を推論時によりよく統合するための,シンプルで効果的な手法を提案する。
論文 参考訳(メタデータ) (2024-06-20T06:37:47Z) - Wearable Device-Based Real-Time Monitoring of Physiological Signals: Evaluating Cognitive Load Across Different Tasks [6.673424334358673]
本研究は,中等教育学生の脳波(EEG)データに対する認知負荷評価を行うために,最先端のウェアラブルモニタリング技術を用いている。
この研究は、中等教育学生の認知負荷を評価するための応用価値と、様々な課題にまたがる有用性について考察した。
論文 参考訳(メタデータ) (2024-06-11T10:48:26Z) - DUCK: Distance-based Unlearning via Centroid Kinematics [40.2428948628001]
本研究は,Centroid Kinematics (DUCK) による遠隔学習(Distance-based Unlearning)と呼ばれる新しいアンラーニングアルゴリズムを導入する。
アルゴリズムの性能評価は、様々なベンチマークデータセットにまたがって行われる。
また,適応学習スコア (Adaptive Unlearning Score, AUS) と呼ばれる新しい指標を導入し, 対象データに対する未学習プロセスの有効性だけでなく, 元のモデルに対する性能損失の定量化も行った。
論文 参考訳(メタデータ) (2023-12-04T17:10:25Z) - EEG-based Cognitive Load Classification using Feature Masked
Autoencoding and Emotion Transfer Learning [13.404503606887715]
脳波(EEG)を用いた認知負荷の新しい分類法を提案する。
感情関連脳波データセットの自己教師付きマスクによる自動エンコーディングを用いて、我々のモデルを事前学習する。
実験の結果,提案手法は従来の単段階完全教師付き学習よりも優れた結果が得られることがわかった。
論文 参考訳(メタデータ) (2023-08-01T02:59:19Z) - Evaluating the structure of cognitive tasks with transfer learning [67.22168759751541]
本研究では,脳波復号処理における深層学習表現の伝達可能性について検討した。
最近リリースされた2つのEEGデータセット上で、最先端デコードモデルを用いて広範な実験を行う。
論文 参考訳(メタデータ) (2023-07-28T14:51:09Z) - 2021 BEETL Competition: Advancing Transfer Learning for Subject
Independence & Heterogenous EEG Data Sets [89.84774119537087]
我々は、診断とBCI(Brain-Computer-Interface)に関する2つの伝達学習課題を設計する。
第1タスクは、患者全体にわたる自動睡眠ステージアノテーションに対処する医療診断に重点を置いている。
タスク2はBrain-Computer Interface (BCI)に集中しており、被験者とデータセットの両方にわたる運動画像のデコードに対処する。
論文 参考訳(メタデータ) (2022-02-14T12:12:20Z) - Team Cogitat at NeurIPS 2021: Benchmarks for EEG Transfer Learning
Competition [55.34407717373643]
脳波復号のための主題に依存しないディープラーニングモデルの構築は、強い共シフトの課題に直面している。
我々のアプローチは、ディープラーニングモデルの様々な層に特徴分布を明示的に整列させることです。
この方法論は、NeurIPSカンファレンスで開催されている2021年のEEG Transfer Learningコンペティションで優勝した。
論文 参考訳(メタデータ) (2022-02-01T11:11:08Z) - Common Spatial Generative Adversarial Networks based EEG Data
Augmentation for Cross-Subject Brain-Computer Interface [4.8276709243429]
脳波に基づく脳-コンピュータインタフェース(BCI)のクロスオブジェクト応用は、知覚が難しい大きな個人差と複雑な特徴によって常に制限されてきた。
CS-GAN(Common Space GAN)と呼ばれるGAN(Generative Adversarial Network)に基づくクロスオブジェクトEEG分類フレームワークを提案する。
我々のフレームワークは、オブジェクト間の問題に対処し、BCIの実践的応用を促進するための有望な方法を提供する。
論文 参考訳(メタデータ) (2021-02-08T10:37:03Z) - Automatic Recall Machines: Internal Replay, Continual Learning and the
Brain [104.38824285741248]
ニューラルネットワークのリプレイには、記憶されたサンプルを使ってシーケンシャルなデータのトレーニングが含まれる。
本研究では,これらの補助サンプルをフライ時に生成する手法を提案する。
代わりに、評価されたモデル自体内の学習したサンプルの暗黙の記憶が利用されます。
論文 参考訳(メタデータ) (2020-06-22T15:07:06Z) - A Trainable Optimal Transport Embedding for Feature Aggregation and its
Relationship to Attention [96.77554122595578]
固定サイズのパラメータ化表現を導入し、与えられた入力セットから、そのセットとトレーニング可能な参照の間の最適な輸送計画に従って要素を埋め込み、集約する。
我々のアプローチは大規模なデータセットにスケールし、参照のエンドツーエンドのトレーニングを可能にすると同時に、計算コストの少ない単純な教師なし学習メカニズムも提供する。
論文 参考訳(メタデータ) (2020-06-22T08:35:58Z) - Machine Learning for Motor Learning: EEG-based Continuous Assessment of
Cognitive Engagement for Adaptive Rehabilitation Robots [0.0]
認知エンゲージメント(CE)は運動学習には不可欠であるが、リハビリテーションロボットでは未利用である。
本稿では,脳波を客観的に測定し,CEをリアルタイムに評価するエンドツーエンドの計算フレームワークを提案する。
論文 参考訳(メタデータ) (2020-02-18T13:13:39Z)
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。