論文の概要: A Comparative Study of Conventional and Tripolar EEG for High-Performance Reach-to-Grasp BCI Systems

• arxiv url: http://arxiv.org/abs/2402.09448v1
• Date: Wed, 31 Jan 2024 23:35:44 GMT
• ステータス: 処理完了
• システム内更新日: 2024-02-18 13:05:48.621397
• Title: A Comparative Study of Conventional and Tripolar EEG for High-Performance Reach-to-Grasp BCI Systems
• Title（参考訳）: 高性能bciシステムのための従来型および三極性脳波の比較検討
• Authors: Ali Rabiee, Sima Ghafoori, Anna Cetera, Walter Besio, Reza Abiri
• Abstract要約: 本研究の目的は、三極性脳波(tEEG)と従来の脳波(tEEG)の有効性を比較することで、運動障害のある個人に対するBCI応用を強化することである。 目標は、どの脳波技術が関連する神経信号を処理し、翻訳するのにより効果的かを決定することである。
• 参考スコア（独自算出の注目度）: 0.14999444543328289
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This study aims to enhance BCI applications for individuals with motor impairments by comparing the effectiveness of tripolar EEG (tEEG) with conventional EEG. The focus is on interpreting and decoding various grasping movements, such as power grasp and precision grasp. The goal is to determine which EEG technology is more effective in processing and translating grasp related neural signals. The approach involved experimenting on ten healthy participants who performed two distinct grasp movements: power grasp and precision grasp, with a no movement condition serving as the baseline. Our research presents a thorough comparison between EEG and tEEG in decoding grasping movements. This comparison spans several key parameters, including signal to noise ratio (SNR), spatial resolution via functional connectivity, ERPs, and wavelet time frequency analysis. Additionally, our study involved extracting and analyzing statistical features from the wavelet coefficients, and both binary and multiclass classification methods were employed. Four machine learning algorithms were used to evaluate the decoding accuracies. Our results indicated that tEEG demonstrated superior performance over conventional EEG in various aspects. This included a higher signal to noise ratio, enhanced spatial resolution, and more informative data in ERPs and wavelet time frequency analysis. The use of tEEG led to notable improvements in decoding accuracy for differentiating movement types. Specifically, tEEG achieved around 90% accuracy in binary and 75.97% for multiclass classification. These results are markedly better than those from standard EEG, which recorded a maximum of 77.85% and 61.27% in similar tasks, respectively. These findings highlight the superior effectiveness of tEEG over EEG in decoding grasp types and its competitive or superior performance in complex classifications compared with existing research.
• Abstract（参考訳）: 本研究の目的は、三極性脳波(tEEG)と従来の脳波(tEEG)の有効性を比較することで、運動障害のある個人に対するBCI応用を強化することである。 動力把握や精密把持などの様々な把持動作の解釈と復号に重点が置かれている。 目標は、どの脳波技術が関連する神経信号を処理し、翻訳するのにより効果的かを決定することである。 このアプローチでは、パワー把握と精度把握という2つの異なる把持動作を行った健康な参加者10人を対象に実験を行った。 本研究は,脳波とtEEGの解読動作における徹底的な比較を示す。 この比較は、信号対雑音比(SNR)、機能接続による空間分解能、ERP、ウェーブレット時間周波数分析など、いくつかの重要なパラメータにまたがる。 さらに,ウェーブレット係数から統計的特徴を抽出・解析し,二分法および多クラス分類法を併用した。 4つの機械学習アルゴリズムがデコードアキュラティの評価に用いられた。 以上の結果から,tEEGは従来の脳波よりも様々な面で優れた性能を示した。 これには、高信号対雑音比、空間分解能の向上、ERPおよびウェーブレット時間周波数解析におけるより情報的なデータが含まれていた。 tEEGの使用により、運動の区別のための復号精度が顕著に向上した。 具体的には、tEEGはバイナリで90%、マルチクラス分類で75.97%の精度を達成した。 これらの結果は、それぞれ同様のタスクで77.85%と61.27%の最大値を記録した標準脳波よりも著しく優れている。 以上の結果から,teeg over eegは,従来の研究と比較して,包括型復号において優れていること,複雑な分類における競合性や優れていること,などが分かる。

関連論文リスト

• ECGMamba: Towards Efficient ECG Classification with BiSSM [3.0120310355085467]
  本稿では,双方向状態空間モデル(BiSSM)を用いて分類効率を向上させる新しいモデルECGMambaを提案する。 2つの公開ECGデータセットの実験結果は、ECGMambaが効果的に分類の有効性と効率のバランスをとることを示した。
  論文  参考訳（メタデータ） (2024-06-14T14:55:53Z)
• Wavelet Analysis of Noninvasive EEG Signals Discriminates Complex and Natural Grasp Types [0.16385815610837165]
  本研究の目的は,脳波を用いた神経補綴器開発と脳-コンピュータ・インタフェース(BCI)の応用を目的とした脳波からの握手をデコードすることである。
  論文  参考訳（メタデータ） (2024-01-31T23:13:38Z)
• EKGNet: A 10.96{\mu}W Fully Analog Neural Network for Intra-Patient Arrhythmia Classification [79.7946379395238]
  心電図不整脈分類におけるアナログ計算と深層学習を組み合わせた統合的アプローチを提案する。 本稿では,低消費電力で高精度にアーカイブするハードウェア効率と完全アナログ不整脈分類アーキテクチャであるEKGNetを提案する。
  論文  参考訳（メタデータ） (2023-10-24T02:37:49Z)
• DGSD: Dynamical Graph Self-Distillation for EEG-Based Auditory Spatial Attention Detection [49.196182908826565]
  AAD(Auditory Attention Detection)は、マルチスピーカー環境で脳信号からターゲット話者を検出することを目的としている。 現在のアプローチは主に、画像のようなユークリッドデータを処理するために設計された従来の畳み込みニューラルネットワークに依存している。 本稿では、入力として音声刺激を必要としないAADのための動的グラフ自己蒸留(DGSD)手法を提案する。
  論文  参考訳（メタデータ） (2023-09-07T13:43:46Z)
• Multiple Time Series Fusion Based on LSTM An Application to CAP A Phase Classification Using EEG [56.155331323304]
  本研究では,深層学習に基づく脳波チャンネルの特徴レベル融合を行う。 チャネル選択,融合,分類手順を2つの最適化アルゴリズムで最適化した。
  論文  参考訳（メタデータ） (2021-12-18T14:17:49Z)
• Classification of Upper Arm Movements from EEG signals using Machine Learning with ICA Analysis [0.0]
  本稿では,多層パーセプトロンニューラルネットワークを用いて,左右の動作を識別する独自のアルゴリズムを提案する。 不要信号の干渉は、アルゴリズムの性能に影響を与える脳波信号を汚染する。
  論文  参考訳（メタデータ） (2021-07-18T18:56:28Z)
• 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)
• Automatic detection of abnormal EEG signals using wavelet feature extraction and gradient boosting decision tree [2.924868086534434]
  多チャンネル脳波記録における脳信号の自動二分分類フレームワークを提案する。 本稿では,抽出した特徴量の品質を損なうことなく,特徴空間の次元を小さくする手法を提案する。 CatBoostは87.68%のバイナリ分類精度を達成し、同じデータセットの最先端の技術を上回る。
  論文  参考訳（メタデータ） (2020-12-18T03:36:52Z)
• Improving EEG Decoding via Clustering-based Multi-task Feature Learning [27.318646122939537]
  機械学習は、EEGパターンをより良い復号精度に最適化する有望な技術を提供します。 既存のアルゴリズムは、真のEEGサンプル分布を捕捉する基礎となるデータ構造を効果的に探索しない。 クラスタリングに基づく脳波パターン復号のためのマルチタスク機能学習アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-12-12T13:31:53Z)
• A Computationally Efficient Multiclass Time-Frequency Common Spatial Pattern Analysis on EEG Motor Imagery [164.93739293097605]
  共通空間パターン(CSP)は脳波(EEG)運動画像(MI)の一般的な特徴抽出法である 本研究では,従来のCSPアルゴリズムを改良し,マルチクラスMI分類精度を改善し,計算処理の効率化を図る。
  論文  参考訳（メタデータ） (2020-08-25T18:23:50Z)
• ECG-DelNet: Delineation of Ambulatory Electrocardiograms with Mixed Quality Labeling Using Neural Networks [69.25956542388653]
  ディープラーニング(DL)アルゴリズムは、学術的、産業的にも重くなっている。 セグメンテーションフレームワークにECGの検出とデライン化を組み込むことにより、低解釈タスクにDLをうまく適用できることを実証する。 このモデルは、PhyloNetのQTデータベースを使用して、105個の増幅ECG記録から訓練された。
  論文  参考訳（メタデータ） (2020-05-11T16:29:12Z)

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。