論文の概要: Subject-Independent Deep Architecture for EEG-based Motor Imagery Classification

• arxiv url: http://arxiv.org/abs/2402.09438v1
• Date: Sat, 27 Jan 2024 23:05:51 GMT
• ステータス: 処理完了
• システム内更新日: 2024-02-18 13:02:31.877834
• Title: Subject-Independent Deep Architecture for EEG-based Motor Imagery Classification
• Title（参考訳）: 脳波画像分類のための主観非依存深層構造
• Authors: Shadi Sartipi and Mujdat Cetin
• Abstract要約: 脳波(EEG)に基づく運動脳波(MI)分類は、非侵襲的脳-コンピュータインタフェース(BCI)システムにおいて広く用いられている手法である。 我々は、新しい主題に依存しない半教師付き深層構造(SSDA)を提案する。 提案されたSSDAは、教師なし要素と教師なし要素の2つの部分から構成される。
• 参考スコア（独自算出の注目度）: 0.5439020425819
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Motor imagery (MI) classification based on electroencephalogram (EEG) is a widely-used technique in non-invasive brain-computer interface (BCI) systems. Since EEG recordings suffer from heterogeneity across subjects and labeled data insufficiency, designing a classifier that performs the MI independently from the subject with limited labeled samples would be desirable. To overcome these limitations, we propose a novel subject-independent semi-supervised deep architecture (SSDA). The proposed SSDA consists of two parts: an unsupervised and a supervised element. The training set contains both labeled and unlabeled data samples from multiple subjects. First, the unsupervised part, known as the columnar spatiotemporal auto-encoder (CST-AE), extracts latent features from all the training samples by maximizing the similarity between the original and reconstructed data. A dimensional scaling approach is employed to reduce the dimensionality of the representations while preserving their discriminability. Second, a supervised part learns a classifier based on the labeled training samples using the latent features acquired in the unsupervised part. Moreover, we employ center loss in the supervised part to minimize the embedding space distance of each point in a class to its center. The model optimizes both parts of the network in an end-to-end fashion. The performance of the proposed SSDA is evaluated on test subjects who were not seen by the model during the training phase. To assess the performance, we use two benchmark EEG-based MI task datasets. The results demonstrate that SSDA outperforms state-of-the-art methods and that a small number of labeled training samples can be sufficient for strong classification performance.
• Abstract（参考訳）: 脳波(eeg)に基づく運動画像分類は、非侵襲的脳コンピューターインタフェース(bci)システムにおいて広く用いられている技術である。 脳波記録は被験者間の不均一性とラベル付きデータ不足に苦しむため,ラベル付きサンプルが限定された被験者とは独立にmiを実行する分類器の設計が望ましい。 これらの制約を克服するため,本論文ではssda(subject-independent semi-supervised deep architecture)を提案する。 提案するsssaは、教師なし要素と教師なし要素の2つの部分からなる。 トレーニングセットには、複数の被験者からのラベル付きデータとラベルなしデータの両方が含まれている。 まず、列状時空間オートエンコーダ(cst-ae)として知られる教師なし部分は、元のデータと再構成されたデータの類似性を最大化することにより、すべてのトレーニングサンプルから潜在特徴を抽出する。 次元スケーリングアプローチは、その識別性を保ちながら表現の次元性を低減するために用いられる。 第2に、教師なし部で取得した潜伏特徴を用いてラベル付きトレーニングサンプルに基づいて分類器を学習する。 さらに,教師部における中心損失を利用して,クラス内の各点からその中心への埋め込み空間距離を最小化する。 このモデルはネットワークの両部分をエンドツーエンドで最適化する。 提案するsssaの性能は, 訓練段階でモデルでは確認されなかった被験者を対象に評価した。 評価には2つのベンチマークEEGベースのMIタスクデータセットを使用する。 その結果,SSDAは最先端の手法より優れており,少数のラベル付きトレーニングサンプルは強力な分類性能に十分であることがわかった。

関連論文リスト

• Collaborative Feature-Logits Contrastive Learning for Open-Set Semi-Supervised Object Detection [75.02249869573994]
  オープンセットのシナリオでは、ラベルなしデータセットには、イン・ディストリビューション(ID)クラスとアウト・オブ・ディストリビューション(OOD)クラスの両方が含まれている。 このような設定で半教師付き検出器を適用すると、OODクラスをIDクラスとして誤分類する可能性がある。 我々は、CFL-Detector(Collaborative Feature-Logits Detector)と呼ばれるシンプルで効果的な方法を提案する。
  論文  参考訳（メタデータ） (2024-11-20T02:57:35Z)
• Semi-Supervised End-To-End Contrastive Learning For Time Series Classification [10.635321868623883]
  時系列分類は、金融、医療、センサーデータ分析など、さまざまな分野において重要な課題である。 SLOTS(Semi-supervised Learning fOr Time clasSification)と呼ばれるエンドツーエンドモデルを提案する。
  論文  参考訳（メタデータ） (2023-10-13T04:22:21Z)
• Linking data separation, visual separation, and classifier performance using pseudo-labeling by contrastive learning [125.99533416395765]
  最終分類器の性能は、潜在空間に存在するデータ分離と、射影に存在する視覚的分離に依存すると論じる。 本研究は,ヒト腸管寄生虫の5つの現実的課題の画像データセットを1%の教師付きサンプルで分類し,その結果を実証する。
  論文  参考訳（メタデータ） (2023-02-06T10:01:38Z)
• The Overlooked Classifier in Human-Object Interaction Recognition [82.20671129356037]
  クラス間の意味的相関を分類ヘッドにエンコードし,重みをHOIの言語埋め込みで初期化する。 我々は,LSE-Sign という新しい損失を,長い尾を持つデータセット上でのマルチラベル学習を強化するために提案する。 我々は,物体検出と人間のポーズを明確なマージンで求める最先端技術よりも優れた,検出不要なHOI分類を可能にする。
  論文  参考訳（メタデータ） (2022-03-10T23:35:00Z)
• Semi-Supervised Semantic Segmentation of Vessel Images using Leaking Perturbations [1.5791732557395552]
  Leaking GANは、網膜血管セグメンテーションのためのGANベースの半教師付きアーキテクチャである。 私たちのキーとなるアイデアは、ジェネレータから情報を漏らすことで識別器を汚染することです。 これにより、より穏健な世代がGANのトレーニングに役立ちます。
  論文  参考訳（メタデータ） (2021-10-22T18:25:08Z)
• 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)
• Subject Independent Emotion Recognition using EEG Signals Employing Attention Driven Neural Networks [2.76240219662896]
  主観非依存の感情認識が可能な新しいディープラーニングフレームワークを提案する。 タスクを実行するために、アテンションフレームワークを備えた畳み込みニューラルネットワーク(CNN)を提示する。 提案手法は、公開データセットを使用して検証されている。
  論文  参考訳（メタデータ） (2021-06-07T09:41:15Z)
• Binary Classification from Multiple Unlabeled Datasets via Surrogate Set Classification [94.55805516167369]
  我々は m 個の U 集合を $mge2$ で二進分類する新しい手法を提案する。 我々のキーとなる考え方は、サロゲート集合分類(SSC)と呼ばれる補助的分類タスクを考えることである。
  論文  参考訳（メタデータ） (2021-02-01T07:36:38Z)
• Deep Semi-supervised Knowledge Distillation for Overlapping Cervical Cell Instance Segmentation [54.49894381464853]
  本稿では, ラベル付きデータとラベルなしデータの両方を, 知識蒸留による精度向上に活用することを提案する。 摂動に敏感なサンプルマイニングを用いたマスク誘導型平均教師フレームワークを提案する。 実験の結果,ラベル付きデータのみから学習した教師付き手法と比較して,提案手法は性能を著しく向上することがわかった。
  論文  参考訳（メタデータ） (2020-07-21T13:27:09Z)
• Weakly Supervised Deep Nuclei Segmentation Using Partial Points Annotation in Histopathology Images [51.893494939675314]
  本稿では,部分点アノテーションに基づく弱教師付きセグメンテーションフレームワークを提案する。 本手法は, 完全教師付き手法や最先端手法と比較して, 競争性能を向上できることを示す。
  論文  参考訳（メタデータ） (2020-07-10T15:41:29Z)

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。