論文の概要: Are EEG Sequences Time Series? EEG Classification with Time Series Models and Joint Subject Training

• arxiv url: http://arxiv.org/abs/2404.06966v1
• Date: Wed, 10 Apr 2024 12:24:05 GMT
• ステータス: 処理完了
• システム内更新日: 2024-04-11 14:40:47.735829
• Title: Are EEG Sequences Time Series? EEG Classification with Time Series Models and Joint Subject Training
• Title（参考訳）: 脳波シーケンスは時系列か? : 時系列モデルによる脳波分類と共同学習
• Authors: Johannes Burchert, Thorben Werner, Vijaya Krishna Yalavarthi, Diego Coello de Portugal, Maximilian Stubbemann, Lars Schmidt-Thieme,
• Abstract要約: 脳波分類モデルと時系列分類モデルの違いを系統的に研究する。 対象者毎のトレーニング対象時系列分類モデルは,脳波分類モデルに近い性能を示すが,ドメイン固有モデルの性能には達していない。
• 参考スコア（独自算出の注目度）: 4.714246221974192
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: As with most other data domains, EEG data analysis relies on rich domain-specific preprocessing. Beyond such preprocessing, machine learners would hope to deal with such data as with any other time series data. For EEG classification many models have been developed with layer types and architectures we typically do not see in time series classification. Furthermore, typically separate models for each individual subject are learned, not one model for all of them. In this paper, we systematically study the differences between EEG classification models and generic time series classification models. We describe three different model setups to deal with EEG data from different subjects, subject-specific models (most EEG literature), subject-agnostic models and subject-conditional models. In experiments on three datasets, we demonstrate that off-the-shelf time series classification models trained per subject perform close to EEG classification models, but that do not quite reach the performance of domain-specific modeling. Additionally, we combine time-series models with subject embeddings to train one joint subject-conditional classifier on all subjects. The resulting models are competitive with dedicated EEG models in 2 out of 3 datasets, even outperforming all EEG methods on one of them.
• Abstract（参考訳）: 他のほとんどのデータドメインと同様に、EEGデータ分析はリッチなドメイン固有の前処理に依存します。 このような前処理の他に、機械学習の学習者は、他の時系列データのようなデータを扱うことを望んでいる。 EEG分類では、多くのモデルが階層型とアーキテクチャで開発されており、通常は時系列分類では見られない。 さらに、一般的に個々の主題ごとに別々のモデルが学習されるが、それらすべてに対してひとつのモデルではない。 本稿では,脳波分類モデルと時系列分類モデルの違いを系統的に検討する。 本稿では,脳波データを扱う3つの異なるモデル構成,主観的モデル,主観的モデル,主観的モデル,主観的条件的モデルについて述べる。 3つのデータセットの実験において、被験者ごとのトレーニング済み時系列分類モデルが脳波分類モデルに近い性能を示すことを示したが、ドメイン固有モデリングの性能には達していない。 さらに、時系列モデルと被写体埋め込みを組み合わせることで、全被写体に1つの共同条件分類器を訓練する。 結果として得られたモデルは、3つのデータセットのうち2つに専用のEEGモデルと競合し、そのうちの1つですべてのEEGメソッドを上回ります。

関連論文リスト

• EEGPT: Unleashing the Potential of EEG Generalist Foundation Model by Autoregressive Pre-training [9.57946371147345]
  EEGPTはこれらの課題に対処するために設計された最初の一般のEEG基盤モデルである。 まず,各電極を基本単位として扱う電極ワイド・モデリング手法を提案する。 第2に、最初の自己回帰型脳波事前学習モデルを開発する。 第3に,学習可能な電極グラフネットワークを用いたマルチタスク転送学習パラダイムを提案する。
  論文  参考訳（メタデータ） (2024-10-14T12:17:54Z)
• Deep Time Series Models: A Comprehensive Survey and Benchmark [74.28364194333447]
  時系列データは、現実世界のシナリオにおいて非常に重要である。 近年、時系列コミュニティで顕著なブレークスルーが見られた。 多様な分析タスクのためのディープ時系列モデルの公正なベンチマークとして、時系列ライブラリ(TSLib)をリリースします。
  論文  参考訳（メタデータ） (2024-07-18T08:31:55Z)
• A Survey on Diffusion Models for Time Series and Spatio-Temporal Data [92.1255811066468]
  時系列およびS時間データにおける拡散モデルの使用について概観し、それらをモデル、タスクタイプ、データモダリティ、実用的なアプリケーションドメインで分類する。 我々は拡散モデルを無条件型と条件付き型に分類し、時系列とS時間データを別々に議論する。 本調査は,医療,レコメンデーション,気候,エネルギー,オーディオ,交通など,さまざまな分野の応用を幅広くカバーしている。
  論文  参考訳（メタデータ） (2024-04-29T17:19:40Z)
• Recency-Weighted Temporally-Segmented Ensemble for Time-Series Modeling [0.0]
  プロセス産業における時系列モデリングは、複雑で多面的で進化するデータ特性を扱うという課題に直面している。 マルチステップ予測のための新しいチャンクベースアプローチであるRecency-Weighted Temporally-Segmented(ReWTS)アンサンブルモデルを導入する。 ノルウェーの排水処理場と飲料水処理場からの2年間のデータをもとに,比較分析を行った。
  論文  参考訳（メタデータ） (2024-03-04T16:00:35Z)
• Multi-document Summarization: A Comparative Evaluation [0.0]
  本論文は,多文書要約(MDS)のための最先端モデルの評価を,様々な領域の異なるタイプのデータセット上で行うことを目的としている。 我々は,Big-SurveyおよびMS$2$データセット上でのPRIMERAおよびPEGモデルの性能を解析した。
  論文  参考訳（メタデータ） (2023-09-10T07:43:42Z)
• Dataless Knowledge Fusion by Merging Weights of Language Models [51.8162883997512]
  微調整された事前学習言語モデルは、下流のNLPモデルを構築するための主要なパラダイムとなっている。 これは、より優れた単一モデルを生み出すために、個々のモデル間で知識を融合させる障壁を生み出します。 パラメータ空間のモデルをマージするデータレス知識融合法を提案する。
  論文  参考訳（メタデータ） (2022-12-19T20:46:43Z)
• Synthetic Model Combination: An Instance-wise Approach to Unsupervised Ensemble Learning [92.89846887298852]
  ラベル付きデータのトレーニングセットから学ぶ機会のない、新しいテストデータに対する予測を検討する。 専門家モデルのセットと予測へのアクセスと、トレーニングに使用するデータセットに関する制限された情報を提供すること。
  論文  参考訳（メタデータ） (2022-10-11T10:20:31Z)
• Team Cogitat at NeurIPS 2021: Benchmarks for EEG Transfer Learning Competition [55.34407717373643]
  脳波復号のための主題に依存しないディープラーニングモデルの構築は、強い共シフトの課題に直面している。 我々のアプローチは、ディープラーニングモデルの様々な層に特徴分布を明示的に整列させることです。 この方法論は、NeurIPSカンファレンスで開催されている2021年のEEG Transfer Learningコンペティションで優勝した。
  論文  参考訳（メタデータ） (2022-02-01T11:11:08Z)
• Model-Attentive Ensemble Learning for Sequence Modeling [86.4785354333566]
  シーケンスモデリング(MAES)のためのモデル・アテンティブ・アンサンブル・ラーニングを提案する。 MAESは、異なるシーケンスダイナミクスの専門家を専門とし、予測を適応的に重み付けるために、注目ベースのゲーティングメカニズムを利用する時系列の専門家の混合物です。 MAESが時系列シフトを受けるデータセットの人気シーケンスモデルを大幅に上回ることを示す。
  論文  参考訳（メタデータ） (2021-02-23T05:23:35Z)
• Comparison of Attention-based Deep Learning Models for EEG Classification [0.2770822269241974]
  我々は,Deep Learning(DL)モデルにおける異なる種類の注意機構の脳波分類への影響を評価する。 これらのモデルを用いて、正常な脳波パターンと異常な脳波パターンを分類した。
  論文  参考訳（メタデータ） (2020-12-02T10:43:41Z)
• Adversarial Attacks on Multivariate Time Series [4.297070083645049]
  本稿では, 既存の逆変換ネットワーク(ATN)を蒸留モデルに変換して, 多変量時系列分類モデルを攻撃することを提案する。 提案した分類モデルに対する攻撃は,古典的時系列分類モデルの動作を模倣したシュロゲートとして蒸留モデルを利用する。 どちらのモデルも18のデータセットすべてに対する攻撃を受けやすいことを示した。
  論文  参考訳（メタデータ） (2020-03-31T00:15:41Z)

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。