論文の概要: EGNN-C+: Interpretable Evolving Granular Neural Network and Application
in Classification of Weakly-Supervised EEG Data Streams
- arxiv url: http://arxiv.org/abs/2402.17792v1
- Date: Mon, 26 Feb 2024 15:11:41 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-29 17:37:17.559185
- Title: EGNN-C+: Interpretable Evolving Granular Neural Network and Application
in Classification of Weakly-Supervised EEG Data Streams
- Title（参考訳）: EGNN-C+:グラニュラーニューラルネットワークを進化させる解釈可能であり、弱スーパービジョンEEGデータストリームの分類への応用
- Authors: Daniel Leite, Alisson Silva, Gabriella Casalino, Arnab Sharma,
Danielle Fortunato, Axel-Cyrille Ngomo
- Abstract要約: グラニュラーニューラルネットワーク(eGNN-C+)の進化のための改良型インクリメンタル学習アルゴリズムを提案する。
脳波(EEG)信号における感情関連パターンの分類に着目する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: We introduce a modified incremental learning algorithm for evolving Granular
Neural Network Classifiers (eGNN-C+). We use double-boundary hyper-boxes to
represent granules, and customize the adaptation procedures to enhance the
robustness of outer boxes for data coverage and noise suppression, while
ensuring that inner boxes remain flexible to capture drifts. The classifier
evolves from scratch, incorporates new classes on the fly, and performs local
incremental feature weighting. As an application, we focus on the
classification of emotion-related patterns within electroencephalogram (EEG)
signals. Emotion recognition is crucial for enhancing the realism and
interactivity of computer systems. We extract features from the Fourier
spectrum of EEG signals obtained from 28 individuals engaged in playing
computer games -- a public dataset. Each game elicits a different predominant
emotion: boredom, calmness, horror, or joy. We analyze individual electrodes,
time window lengths, and frequency bands to assess the accuracy and
interpretability of resulting user-independent neural models. The findings
indicate that both brain hemispheres assist classification, especially
electrodes on the temporal (T8) and parietal (P7) areas, alongside
contributions from frontal and occipital electrodes. While patterns may
manifest in any band, the Alpha (8-13Hz), Delta (1-4Hz), and Theta (4-8Hz)
bands, in this order, exhibited higher correspondence with the emotion classes.
The eGNN-C+ demonstrates effectiveness in learning EEG data. It achieves an
accuracy of 81.7% and a 0.0029 II interpretability using 10-second time
windows, even in face of a highly-stochastic time-varying 4-class
classification problem.
- Abstract（参考訳）: グラニュラーニューラルネットワーク分類器(eGNN-C+)の進化のための改良型インクリメンタル学習アルゴリズムを提案する。
データカバレッジとノイズ抑制のために外部ボックスのロバスト性を高めるために適応手順をカスタマイズし、内部ボックスがドリフトをキャプチャする柔軟性を維持しながら、ダブルバウンダリーハイパーボックスを使用しています。
分類器はスクラッチから進化し、新しいクラスをオンザフライで取り入れ、局所的なインクリメンタルな機能重み付けを実行する。
応用として、脳波(EEG)信号における感情関連パターンの分類に着目する。
感情認識はコンピュータシステムのリアリズムと対話性を高めるのに不可欠である。
我々は、コンピュータゲームをプレイする28人の個人から得られる脳波信号のフーリエスペクトルから特徴を抽出する。
それぞれのゲームは、退屈、落ち着き、恐怖、喜びという、異なる支配的な感情を誘発する。
本研究では,個々の電極,時間窓長,周波数帯域を分析し,ユーザに依存しないニューラルモデルの精度と解釈可能性を評価する。
その結果、両脳半球は、前頭葉電極と後頭葉電極の寄与とともに、特に側頭葉(t8)と頭頂(p7)領域の電極の分類を支援していることが示唆された。
どのバンドにもパターンが現れるが、Alpha (8-13Hz)、Delta (1-4Hz)、Theta (4-8Hz)のバンドは、この順に感情クラスと高い対応を示した。
eGNN-C+は脳波データ学習の有効性を示す。
精度は81.7%で、10秒の時間窓を使って0.0029 iiの解釈が可能で、高度に定時的な4階級の分類問題に直面している。
関連論文リスト
- Assessing Neural Network Representations During Training Using
Noise-Resilient Diffusion Spectral Entropy [55.014926694758195]
ニューラルネットワークにおけるエントロピーと相互情報は、学習プロセスに関する豊富な情報を提供する。
データ幾何を利用して基礎となる多様体にアクセスし、これらの情報理論測度を確実に計算する。
本研究は,高次元シミュレーションデータにおける固有次元と関係強度の耐雑音性の測定結果である。
論文 参考訳（メタデータ） (2023-12-04T01:32:42Z) - 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) - Unveiling Emotions from EEG: A GRU-Based Approach [2.580765958706854]
ゲーテッド・リカレント・ユニット(GRU)アルゴリズムは、感情状態を予測するために脳波信号が使えるかどうかをテストする。
我々の公開データセットは、幸せ、中立、ネガティブな感情を呼び起こす刺激にさらされた人々の脳波記録と同様に、中立なデータを休ませることから成り立っている。
論文 参考訳（メタデータ） (2023-07-20T11:04:46Z) - EEGminer: Discovering Interpretable Features of Brain Activity with
Learnable Filters [72.19032452642728]
本稿では,学習可能なフィルタと事前決定された特徴抽出モジュールからなる新しい識別可能なEEGデコーディングパイプラインを提案する。
我々は,SEEDデータセットおよび前例のない大きさの新たな脳波データセット上で,脳波信号からの感情認識に向けたモデルの有用性を実証する。
発見された特徴は、以前の神経科学の研究と一致し、音楽聴取中の左右の時間領域間の機能的接続プロファイルの顕著な相違など、新たな洞察を提供する。
論文 参考訳（メタデータ） (2021-10-19T14:22:04Z) - SOUL: An Energy-Efficient Unsupervised Online Learning Seizure Detection
Classifier [68.8204255655161]
神経活動を記録して発作を検出するインプラントデバイスは、発作を抑えるために警告を発したり神経刺激を誘発したりするために採用されている。
移植可能な発作検出システムでは、低出力で最先端のオンライン学習アルゴリズムを使用して、神経信号のドリフトに動的に適応することができる。
SOULはTSMCの28nmプロセスで0.1mm2を占め、1.5nJ/分級エネルギー効率を実現した。
論文 参考訳（メタデータ） (2021-10-01T23:01:20Z) - Adaptive Gaussian Fuzzy Classifier for Real-Time Emotion Recognition in
Computer Games [0.0]
ファジィegfcは、感情パターンを認識するオンラインセミ教師付き学習アルゴリズムによってサポートされている。
我々は,個々の電極,時間窓の長さ,周波数帯がユーザ非依存eGの精度に与える影響を解析した。
論文 参考訳（メタデータ） (2021-03-05T06:27:04Z) - Emotional EEG Classification using Connectivity Features and
Convolutional Neural Networks [81.74442855155843]
CNNと脳のつながりを利用した新しい分類システムを導入し,その効果を感情映像分類により検証する。
対象映像の感情的特性に関連する脳接続の集中度は分類性能と相関する。
論文 参考訳（メタデータ） (2021-01-18T13:28:08Z) - Deep learning-based classification of fine hand movements from low
frequency EEG [5.414308305392762]
脳波信号から異なる手の動きの分類は、関連する研究課題である。
我々は新たに提案された畳み込みニューラルネットワーク(CNN)を訓練し、テストした。
CNNは両方のデータセットで優れたパフォーマンスを達成し、ベースラインモデルと似ているか優れている。
論文 参考訳（メタデータ） (2020-11-13T07:16:06Z) - A Novel Transferability Attention Neural Network Model for EEG Emotion
Recognition [51.203579838210885]
脳波感情認識のための伝達型注目ニューラルネットワーク(TANN)を提案する。
TANNは、伝達可能な脳波領域のデータとサンプルを適応的に強調することにより、感情的な識別情報を学習する。
これは、複数の脳領域レベル判別器と1つのサンプルレベル判別器の出力を測定することで実現できる。
論文 参考訳（メタデータ） (2020-09-21T02:42:30Z) - TSception: A Deep Learning Framework for Emotion Detection Using EEG [11.444502210936776]
脳波(EEG)からの感情検出のための深層学習フレームワークTSceptionを提案する。
TSceptionは時間と空間の畳み込み層で構成され、時間とチャネル領域における識別的表現を同時に学習する。
TSceptionは86.03%の高い分類精度を達成し、従来の手法よりも大幅に優れている。
論文 参考訳（メタデータ） (2020-04-02T02:10:07Z) - Effect of Analysis Window and Feature Selection on Classification of
Hand Movements Using EMG Signal [0.20999222360659603]
近年,パターン認識(PR)に基づく筋電制御の研究は,機械学習分類器の助けを借りて有望な結果を示した。
複数のクラスの動きと直感的な制御を提供することで、日常的な生活運動を行うために切断対象に電力を供給することができる。
我々は,手の動きの分類精度を向上させるために,効率的なデータ前処理と最適な特徴選択が有効であることを示す。
論文 参考訳（メタデータ） (2020-02-02T19:03:23Z)
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。