Fugu-MT 論文翻訳(概要): EEG_GLT-Net: Optimising EEG Graphs for Real-time Motor Imagery Signals Classification

論文の概要: EEG_GLT-Net: Optimising EEG Graphs for Real-time Motor Imagery Signals Classification

arxiv url: http://arxiv.org/abs/2404.11075v1
Date: Wed, 17 Apr 2024 05:16:12 GMT
ステータス: 処理完了
システム内更新日: 2024-04-18 15:14:36.505118
Title: EEG_GLT-Net: Optimising EEG Graphs for Real-time Motor Imagery Signals Classification
Title（参考訳）: EEG_GLT-Net:リアルタイムモータ画像信号分類のためのEEGグラフの最適化
Authors: Htoo Wai Aung, Jiao Jiao Li, Yang An, Steven W. Su,
Abstract要約: グラフニューラルネットワーク(GCN)は、脳波運動画像信号の分類にますます応用されている。 Pearson Coefficient correlation (PCC) を用いたリアルタイム脳波MI信号分類の最近の進歩本稿では,EEGチャネルの隣接行列を構成する革新的な手法であるEEG_GLT(EEG Graph Lottery Ticket)アルゴリズムを提案する。
参考スコア（独自算出の注目度）: 7.9035081192335115
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Brain-Computer Interfaces connect the brain to external control devices, necessitating the accurate translation of brain signals such as from electroencephalography (EEG) into executable commands. Graph Neural Networks (GCN) have been increasingly applied for classifying EEG Motor Imagery signals, primarily because they incorporates the spatial relationships among EEG channels, resulting in improved accuracy over traditional convolutional methods. Recent advances by GCNs-Net in real-time EEG MI signal classification utilised Pearson Coefficient Correlation (PCC) for constructing adjacency matrices, yielding significant results on the PhysioNet dataset. Our paper introduces the EEG Graph Lottery Ticket (EEG_GLT) algorithm, an innovative technique for constructing adjacency matrices for EEG channels. It does not require pre-existing knowledge of inter-channel relationships, and it can be tailored to suit both individual subjects and GCN model architectures. Our findings demonstrated that the PCC method outperformed the Geodesic approach by 9.65% in mean accuracy, while our EEG_GLT matrix consistently exceeded the performance of the PCC method by a mean accuracy of 13.39%. Also, we found that the construction of the adjacency matrix significantly influenced accuracy, to a greater extent than GCN model configurations. A basic GCN configuration utilising our EEG_GLT matrix exceeded the performance of even the most complex GCN setup with a PCC matrix in average accuracy. Our EEG_GLT method also reduced MACs by up to 97% compared to the PCC method, while maintaining or enhancing accuracy. In conclusion, the EEG_GLT algorithm marks a breakthrough in the development of optimal adjacency matrices, effectively boosting both computational accuracy and efficiency, making it well-suited for real-time classification of EEG MI signals that demand intensive computational resources.
Abstract（参考訳）: 脳-コンピュータインタフェースは脳を外部制御装置に接続し、脳波(EEG)から実行可能コマンドへの正確な脳信号の翻訳を必要とする。グラフニューラルネットワーク(GCN)は、主に脳波チャネル間の空間的関係を取り入れ、従来の畳み込み法よりも精度が向上するため、脳波運動画像信号の分類にますます応用されている。リアルタイム脳波MI信号分類におけるGCNs-Netの最近の進歩は、Pearson Coefficient correlation (PCC) を用いて隣接行列を構築し、PhyloNetデータセットに有意な結果をもたらした。本稿では,EEGチャネルの隣接行列を構成する革新的な手法であるEEG_GLT(EEG Graph Lottery Ticket)アルゴリズムを提案する。既存のチャネル間の関係に関する知識は必要とせず、個々の主題とGCNモデルアーキテクチャの両方に適合するように調整することができる。その結果,PCC法では平均精度が9.65%向上し,EEG_GLTマトリックスでは平均精度が13.39%向上した。また, 隣接行列の構成はGCNモデルの構成よりも精度に大きく影響した。脳波_GLTマトリクスを利用する基本的なGCN構成は,PCCマトリクスを平均精度で構成した最も複雑なGCNセットアップの性能を上回った。また,EEG_GLT法はPCC法と比較して最大97%削減し,精度を維持・向上した。結論として、EEG_GLTアルゴリズムは最適な隣接行列の開発において画期的なものであり、計算精度と効率を効果的に向上させ、集中的な計算資源を必要とするEEG MI信号のリアルタイム分類に適している。

関連論文リスト

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)
EEG-DCNet: A Fast and Accurate MI-EEG Dilated CNN Classification Method [10.791605945979995]
EEG-Dilated Convolution Network (DCNet) と呼ばれる新しいマルチスケールアラス畳み込みニューラルネットワーク(CNN)モデルを提案する。我々は1時間1ドルの畳み込み層を組み込み、EEG-DCNetのマルチブランチ並列アラス畳み込みアーキテクチャを利用する。本稿では,EEG-DCNetが既存のSOTA(State-of-the-art)アプローチよりも,分類精度とKappaスコアの点で優れていることを示す。
論文参考訳（メタデータ） (2024-11-12T09:47:50Z)
EEG_RL-Net: Enhancing EEG MI Classification through Reinforcement Learning-Optimised Graph Neural Networks [7.9035081192335115]
本稿では、EEG_GLT-NetからトレーニングされたEEG GCNブロックを隣接行列密度13.39%で組み込んだEEG_GLT-Netフレームワークの強化であるEEG_RL-Netを提案する。 EEG_RL-Netモデルは例外的な分類性能を示し、25ミリ秒以内の20人の被験者の平均精度は96.40%である。
論文参考訳（メタデータ） (2024-04-26T13:09:50Z)
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)
MAtt: A Manifold Attention Network for EEG Decoding [0.966840768820136]
多様体注意ネットワーク(mAtt)を特徴とする脳波復号のための新しい幾何学的学習(GDL)モデルを提案する。時間同期EEGデータセットと非同期EEGデータセットの両方におけるMAttの評価は、一般的なEEGデコーディングのための他の主要なDLメソッドよりも優れていることを示唆している。
論文参考訳（メタデータ） (2022-10-05T02:26:31Z)
EEG-BBNet: a Hybrid Framework for Brain Biometric using Graph Connectivity [1.1498015270151059]
我々は、畳み込みニューラルネットワーク(CNN)とグラフ畳み込みニューラルネットワーク(GCNN)を統合するハイブリッドネットワークであるEEG-BBNetを提案する。我々のモデルは、イベント関連電位(ERP)タスクにおけるすべてのベースラインを、セッション内データを用いて平均99.26%の正確な認識率で上回ります。
論文参考訳（メタデータ） (2022-08-17T10:18:22Z)
Rethinking Graph Convolutional Networks in Knowledge Graph Completion [83.25075514036183]
グラフ畳み込みネットワーク(GCN)は知識グラフ補完(KGC)においてますます人気が高まっている。本稿では,代表的なGCNベースのKGCモデルを構築し,GCNのどの要因がKGCに重要なのかを明らかにする。本稿では,既存のKGEモデルに線形変換されたエンティティ埋め込みを組み込む,LTE-KGEというシンプルなフレームワークを提案する。
論文参考訳（メタデータ） (2022-02-08T11:36:18Z)
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)
GCNs-Net: A Graph Convolutional Neural Network Approach for Decoding Time-resolved EEG Motor Imagery Signals [8.19994663278877]
グラフ畳み込みニューラルネットワーク(GCN)に基づく新しいディープラーニングフレームワークを提案し,生の脳波信号の復号性能を向上させる。導入されたアプローチは、パーソナライズされた予測とグループ的な予測の両方に収束することが示されている。
論文参考訳（メタデータ） (2020-06-16T04:57:12Z)
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。