論文の概要: Improving EEG Signal Classification Accuracy Using Wasserstein
Generative Adversarial Networks
- arxiv url: http://arxiv.org/abs/2402.09453v1
- Date: Mon, 5 Feb 2024 03:57:30 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-18 12:48:37.738934
- Title: Improving EEG Signal Classification Accuracy Using Wasserstein
Generative Adversarial Networks
- Title(参考訳): Wasserstein生成逆数ネットワークを用いた脳波信号分類精度の向上
- Authors: Joshua Park, Priyanshu Mahey, Ore Adeniyi
- Abstract要約: 本稿では,ディープラーニングとWasserstein Generative Adversarial Network(WGAN)の最新動向に関する実践的解法を提案する。
WGANは、45人の個人から約1500の脳波記録と64のチャネルからなるBCI2000データセットで訓練された。
Frechet Inception Distance (FID) を用いて測定した生成信号の品質は、それぞれ1.345と11.565のスコアを得た。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Electroencephalography (EEG) plays a vital role in recording brain activities
and is integral to the development of brain-computer interface (BCI)
technologies. However, the limited availability and high variability of EEG
signals present substantial challenges in creating reliable BCIs. To address
this issue, we propose a practical solution drawing on the latest developments
in deep learning and Wasserstein Generative Adversarial Network (WGAN). The
WGAN was trained on the BCI2000 dataset, consisting of around 1500 EEG
recordings and 64 channels from 45 individuals. The generated EEG signals were
evaluated via three classifiers yielding improved average accuracies. The
quality of generated signals measured using Frechet Inception Distance (FID)
yielded scores of 1.345 and 11.565 for eyes-open and closed respectively. Even
without a spectral or spatial loss term, our WGAN model was able to emulate the
spectral and spatial properties of the EEG training data. The WGAN-generated
data mirrored the dominant alpha activity during closed-eye resting and high
delta waves in the training data in its topographic map and power spectral
density (PSD) plot. Our research testifies to the potential of WGANs in
addressing the limited EEG data issue for BCI development by enhancing a small
dataset to improve classifier generalizability.
- Abstract(参考訳): 脳波(EEG)は脳の活動を記録する上で重要な役割を担い、脳-コンピュータインターフェース(BCI)技術の発展に不可欠である。
しかし、脳波信号の可用性と高い可変性は、信頼性の高いBCIを作成する上で大きな課題となる。
この問題に対処するために,ディープラーニングとWasserstein Generative Adversarial Network (WGAN) の最近の発展に関する実践的な解法を提案する。
WGANは、45人の個人から約1500個の脳波記録と64個のチャネルからなるBCI2000データセットで訓練された。
生成した脳波信号は3つの分類器を用いて評価され,平均精度が向上した。
また,frechetインセプション距離(fid)を用いて測定した信号のクオリティは,それぞれ1.345点,11.565点であった。
スペクトル損失項や空間損失項がなくても,我々のWGANモデルは脳波トレーニングデータのスペクトル特性と空間特性をエミュレートすることができた。
wganが生成したデータは、その地形図とパワースペクトル密度(psd)プロットにおいて、閉眼安静時および高デルタ波中の支配的アルファ活動を反映していた。
本研究は,BCI 開発における限られた脳波データ問題に対処する WGAN の可能性を検証するものである。
関連論文リスト
- Deep EEG Super-Resolution: Upsampling EEG Spatial Resolution with Generative Adversarial Networks [6.648577781296543]
我々はジェネレーティブ・アドリアル・ネットワーク(GAN)に基づく新しい深部脳波超解像(SR)アプローチを提案する。
このアプローチは、チャネルワイズアップサンプルデータを生成し、多数の行方不明チャネルを効果的に補間することにより、低分解能サンプルから高空間分解能脳波データを生成することができる。
提案モデルでは, 平均二乗誤差 (MSE) の104倍, 102倍の102倍, 平均絶対誤差 (MAE) をベースラインバイバーサ法に対して提案した。
論文 参考訳(メタデータ) (2025-02-12T21:32:51Z) - CEReBrO: Compact Encoder for Representations of Brain Oscillations Using Efficient Alternating Attention [53.539020807256904]
交互注意(CEReBrO)を用いた脳振動の表現のための圧縮法について紹介する。
トークン化方式は、チャネルごとのパッチで脳波信号を表現します。
本研究では,チャネル内時間的ダイナミックスとチャネル間空間的相関を共同でモデル化し,通常の自己アテンションに比べて6倍少ないメモリで2倍の速度向上を実現するための注意機構を提案する。
論文 参考訳(メタデータ) (2025-01-18T21:44:38Z) - CognitionCapturer: Decoding Visual Stimuli From Human EEG Signal With Multimodal Information [61.1904164368732]
脳波信号の表現にマルチモーダルデータを完全に活用する統合フレームワークであるCognitionCapturerを提案する。
具体的には、CognitionCapturerは、各モダリティに対してモダリティエキスパートを訓練し、EEGモダリティからモダリティ情報を抽出する。
このフレームワークは生成モデルの微調整を一切必要とせず、より多くのモダリティを組み込むように拡張することができる。
論文 参考訳(メタデータ) (2024-12-13T16:27:54Z) - How Homogenizing the Channel-wise Magnitude Can Enhance EEG Classification Model? [4.0871083166108395]
我々は、EEGデータ前処理にシンプルで効果的なアプローチを提案する。
提案手法はまず,逆チャネルワイドマグニチュード均質化により,脳波データを符号化画像に変換する。
これにより、巨大なディープラーニングネットワークを使わずに、脳波学習プロセスを改善することができる。
論文 参考訳(メタデータ) (2024-07-19T09:11:56Z) - hvEEGNet: exploiting hierarchical VAEs on EEG data for neuroscience
applications [3.031375888004876]
脳波の既存のDLベースのモデリング手法に2つの課題がある。
被験者間の高いばらつきと低信号対雑音比は、脳波データの良好な品質を確保するのを困難にしている。
本稿では,高忠実度脳波再構成問題を対象とした2つの変分オートエンコーダモデル,すなわちvEEGNet-ver3とhvEEGNetを提案する。
論文 参考訳(メタデータ) (2023-11-20T15:36:31Z) - 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) - Generalizing electrocardiogram delineation: training convolutional
neural networks with synthetic data augmentation [63.51064808536065]
ECGのデライン化のための既存のデータベースは小さく、サイズやそれらが表す病態の配列に不足している。
まず、原データベースから抽出した基本セグメントのプールを与えられたECGトレースを確率的に合成し、その整合性のある合成トレースに配置するための一連のルールを考案した。
第二に、2つの新しいセグメンテーションに基づく損失関数が開発され、これは、正確な数の独立構造の予測を強制し、サンプル数の削減に焦点をあてて、より密接なセグメンテーション境界を創出することを目的としている。
論文 参考訳(メタデータ) (2021-11-25T10:11:41Z) - GANSER: A Self-supervised Data Augmentation Framework for EEG-based
Emotion Recognition [15.812231441367022]
本稿では,GANSER(Generative Adversarial Network-based Self-supervised Data Augmentation)という新しいデータ拡張フレームワークを提案する。
脳波に基づく感情認識のための自己教師型学習と対人訓練を併用する最初の試みとして、提案フレームワークは高品質な模擬脳波サンプルを生成することができる。
変換関数は、脳波信号の一部を隠蔽し、生成元に残りの部分に基づいて潜在的な脳波信号を合成させる。
論文 参考訳(メタデータ) (2021-09-07T14:42:55Z) - Robust learning from corrupted EEG with dynamic spatial filtering [68.82260713085522]
実験室の外で記録されたEEGを使用して機械学習モデルを構築するには、ノイズの多いデータとランダムに欠落するチャネルにロバストな方法が必要である。
ニューラルネットワークの第1層の前に挿入可能なマルチヘッドアテンションモジュールである動的空間フィルタリング(DSF)を提案する。
筆者らは, チャネル汚損を模擬した4000件の録音を含む公開脳波データと, 自然汚損をともなう移動脳波の自家記録100件のプライベートデータセットを用いて, DSFを試験した。
論文 参考訳(メタデータ) (2021-05-27T02:33:16Z) - EEG-based Brain-Computer Interfaces (BCIs): A Survey of Recent Studies
on Signal Sensing Technologies and Computational Intelligence Approaches and
their Applications [65.32004302942218]
Brain-Computer Interface (BCI) はユーザとシステム間の強力なコミュニケーションツールである。
近年の技術進歩は、脳波(EEG)に基づく翻訳医療用BCIへの関心が高まっている。
論文 参考訳(メタデータ) (2020-01-28T10:36:26Z)
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。