論文の概要: Transferring BCI models from calibration to control: Observing shifts in EEG features

• arxiv url: http://arxiv.org/abs/2403.15431v1
• Date: Thu, 14 Mar 2024 09:49:00 GMT
• ステータス: 処理完了
• システム内更新日: 2024-04-01 02:54:20.866142
• Title: Transferring BCI models from calibration to control: Observing shifts in EEG features
• Title（参考訳）: キャリブレーションから制御へのBCIモデルの移行:脳波の特徴の変化を観察する
• Authors: Ivo Pascal de Jong, Lüke Luna van den Wittenboer, Matias Valdenegro-Toro, Andreea Ioana Sburlea,
• Abstract要約: パブリックモーターイメージベースの脳コンピュータインタフェース(BCI)データセットは、より優れた分類器の開発に使用されている。 ユーザがそのようなBCIでコントロールタスクを実行しようとすると、EEGパターンにどのような変化が起こるかは、しばしば不明である。 標準校正セッションとEMGに基づく新しいBCI制御セッションを含む新しいパラダイムを実証する。
• 参考スコア（独自算出の注目度）: 5.62479170374811
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Public Motor Imagery-based brain-computer interface (BCI) datasets are being used to develop increasingly good classifiers. However, they usually follow discrete paradigms where participants perform Motor Imagery at regularly timed intervals. It is often unclear what changes may happen in the EEG patterns when users attempt to perform a control task with such a BCI. This may lead to generalisation errors. We demonstrate a new paradigm containing a standard calibration session and a novel BCI control session based on EMG. This allows us to observe similarities in sensorimotor rhythms, and observe the additional preparation effects introduced by the control paradigm. In the Movement Related Cortical Potentials we found large differences between the calibration and control sessions. We demonstrate a CSP-based Machine Learning model trained on the calibration data that can make surprisingly good predictions on the BCI-controlled driving data.
• Abstract（参考訳）: パブリックモーターイメージベースの脳コンピュータインタフェース(BCI)データセットは、より優れた分類器の開発に使用されている。 しかしながら、彼らは通常、参加者が定期的に時間間隔で運動画像を実行する、離散パラダイムに従う。 ユーザがそのようなBCIでコントロールタスクを実行しようとすると、EEGパターンにどのような変化が起こるかは、しばしば不明である。 これは一般化の誤りにつながる可能性がある。 標準校正セッションとEMGに基づく新しいBCI制御セッションを含む新しいパラダイムを実証する。 これにより、感覚運動のリズムの類似性を観察し、制御パラダイムによって導入された追加の準備効果を観察することができる。 運動関連皮質電位では、校正セッションと制御セッションの間に大きな違いが認められた。 我々は、キャリブレーションデータに基づいて訓練されたCSPベースの機械学習モデルを示し、BCI制御された運転データに対して驚くほど良い予測を行う。

関連論文リスト

• EEGEncoder: Advancing BCI with Transformer-Based Motor Imagery Classification [11.687193535939798]
  脳-コンピュータインタフェース(BCI)は、脳波信号を用いてデバイスを直接神経制御する。 脳波に基づく運動画像(MI)分類のための従来の機械学習手法は、手動の特徴抽出やノイズに対する感受性といった課題に遭遇する。 本稿では,これらの制限を克服するために改良型トランスフォーマーとTCNを用いたディープラーニングフレームワークであるEEGEncoderを紹介する。
  論文  参考訳（メタデータ） (2024-04-23T09:51:24Z)
• Calibration-Free Driver Drowsiness Classification based on Manifold-Level Augmentation [2.6248092118543567]
  脳波(EEG)によるドライバーの眠気レベルのモニタリングは、道路事故を防ぐ可能性がある。 脳波信号は被験者によって異なるため、事前に校正が必要である。 本稿では, 多様体レベル拡張を用いた運転者の眠気状態分類のためのキャリブレーションフリーフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-12-14T08:51:12Z)
• On Controller Tuning with Time-Varying Bayesian Optimization [74.57758188038375]
  制御対象とその変更に関する適切な事前知識を用いて、時間変化最適化(TVBO)を用いて、変更環境におけるコントローラのオンラインチューニングを行う。 本研究では,不確実性注入(UI)を用いたTVBO戦略を提案する。 我々のモデルはTVBOの最先端手法よりも優れており、後悔の軽減と不安定なパラメータ構成の低減を実現している。
  論文  参考訳（メタデータ） (2022-07-22T14:54:13Z)
• EBMs vs. CL: Exploring Self-Supervised Visual Pretraining for Visual Question Answering [53.40635559899501]
  クリーンで多様なラベル付きデータは、視覚的質問応答(VQA)のような複雑なタスクのモデルをトレーニングするための主要な障害である 我々は、ラベルのない画像を利用してモデルを事前訓練するための自己教師付き手法をレビューし、評価し、それをカスタムVQAタスクで微調整する。 EBMもCLもラベルのない画像から表現を学習でき、非常に少ない注釈付きデータでVQAモデルをトレーニングできることがわかった。
  論文  参考訳（メタデータ） (2022-06-29T01:44:23Z)
• Automatic Rule Induction for Efficient Semi-Supervised Learning [56.91428251227253]
  半教師付き学習は、少量のラベル付きデータからNLPモデルを一般化できることを約束している。 事前訓練されたトランスモデルはブラックボックス相関エンジンとして機能し、説明が困難であり、時には信頼性に欠ける振る舞いをする。 本稿では,これらの課題に,簡易かつ汎用的なフレームワークであるAutomatic Rule Injection (ARI) を用いて対処することを提案する。
  論文  参考訳（メタデータ） (2022-05-18T16:50:20Z)
• Minimizing subject-dependent calibration for BCI with Riemannian transfer learning [0.8399688944263843]
  異なる被験者から記録されたデータに基づいて分類器を訓練し、良好な性能を保ちながら校正を減らそうとする手法を提案する。 このアプローチの堅牢性を示すために,3つのBCIパラダイムに対して,複数のデータセットのメタ分析を行った。
  論文  参考訳（メタデータ） (2021-11-23T18:37:58Z)
• Segmentation and Classification of EMG Time-Series During Reach-to-Grasp Motion [10.388787606334745]
  動的アーム/ハンド姿勢の変動を伴う連続把握動作から発生するEMG信号を分類するためのフレームワークを提案する。 提案されたフレームワークはリアルタイムに評価され、時間とともに精度が変化した。
  論文  参考訳（メタデータ） (2021-04-19T20:41:06Z)
• Bidirectional Interaction between Visual and Motor Generative Models using Predictive Coding and Active Inference [68.8204255655161]
  本稿では,感覚予測のための生成モデルと,運動軌跡の生成モデルからなるニューラルアーキテクチャを提案する。 我々は,知覚予測のシーケンスが学習,制御,オンライン適応を導くレールとしてどのように機能するかを強調する。
  論文  参考訳（メタデータ） (2021-04-19T09:41:31Z)
• Unsupervised Controllable Generation with Self-Training [90.04287577605723]
  GANによる制御可能な世代は依然として困難な研究課題である。 本稿では,自己学習を通じてジェネレータを制御する潜伏符号の分布を学習するための教師なしフレームワークを提案する。 我々のフレームワークは、変分オートエンコーダのような他の変種と比較して、より良い絡み合いを示す。
  論文  参考訳（メタデータ） (2020-07-17T21:50:35Z)
• Evaluating Prediction-Time Batch Normalization for Robustness under Covariate Shift [81.74795324629712]
  我々は予測時間バッチ正規化と呼び、共変量シフト時のモデル精度とキャリブレーションを大幅に改善する。 予測時間バッチ正規化は、既存の最先端アプローチに相補的な利点をもたらし、ロバスト性を向上させることを示します。 この手法は、事前トレーニングと併用して使用すると、さまざまな結果が得られるが、より自然なタイプのデータセットシフトでは、パフォーマンスが良くないようだ。
  論文  参考訳（メタデータ） (2020-06-19T05:08:43Z)
• Transfer Learning for EEG-Based Brain-Computer Interfaces: A Review of Progress Made Since 2016 [35.68916211292525]
  脳コンピュータインタフェース(BCI)は、脳信号を用いてコンピュータと直接通信することができる。 EEGはノイズ/アーティファクトに敏感で、オブジェクト間/オブジェクト間非定常性に悩まされる。 脳波に基づくBCIシステムでは,様々な被験者に最適なパターン認識モデルを構築することは困難である。
  論文  参考訳（メタデータ） (2020-04-13T16:44:55Z)

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。