論文の概要: EEGEncoder: Advancing BCI with Transformer-Based Motor Imagery Classification

• arxiv url: http://arxiv.org/abs/2404.14869v2
• Date: Mon, 24 Jun 2024 08:02:17 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-26 01:02:45.386172
• Title: EEGEncoder: Advancing BCI with Transformer-Based Motor Imagery Classification
• Title（参考訳）: EEGEncoder: Transformer-based Motor Imagery Classification によるBCIの改善
• Authors: Wangdan Liao, Weidong Wang,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 11.687193535939798
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Brain-computer interfaces (BCIs) harness electroencephalographic signals for direct neural control of devices, offering a significant benefit for individuals with motor impairments. Traditional machine learning methods for EEG-based motor imagery (MI) classification encounter challenges such as manual feature extraction and susceptibility to noise.This paper introduces EEGEncoder, a deep learning framework that employs modified transformers and TCNs to surmount these limitations. We innovatively propose a fusion architecture, namely Dual-Stream Temporal-Spatial Block (DSTS), to capture temporal and spatial features, improving the accuracy of Motor Imagery classification task. Additionally, we use multiple parallel structures to enhance the performance of the model. When tested on the BCI Competition IV-2a dataset, our model results outperform current state-of-the-art techniques.
• Abstract（参考訳）: 脳-コンピュータインタフェース(BCI)は、脳波信号を利用してデバイスを直接神経制御し、運動障害を持つ個人にとって大きな利益をもたらす。 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では、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直面しており、これらの制限を克服するために変形器と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を導入している。 本稿では,時間的特徴と空間的特徴を抽出し,モータ画像分類タスクの精度を向上させるために,DSTS(Dual-Stream Temporal-Spatial Block)という融合アーキテクチャを提案する。 さらに、複数の並列構造を用いてモデルの性能を向上させる。 BCIコンペティションIV-2aデータセットでテストすると、現在の最先端技術よりも優れた結果が得られる。

関連論文リスト

• CNN-Transformer Rectified Collaborative Learning for Medical Image Segmentation [60.08541107831459]
  本稿では,医用画像セグメンテーションのための強力なCNNベースモデルとトランスフォーマーベースモデルを学習するための,CNN-Transformer修正協調学習フレームワークを提案する。 具体的には,学生ソフトラベルの誤り領域を適応的に選択・修正する基礎的真理を取り入れた修正ロジット・ワイド・コラボレーティブ・ラーニング(RLCL)戦略を提案する。 また,機能空間におけるCNNベースモデルとTransformerベースモデル間の効果的な知識伝達を実現するために,クラス認識型特徴量協調学習(CFCL)戦略を提案する。
  論文  参考訳（メタデータ） (2024-08-25T01:27:35Z)
• Prototype Learning Guided Hybrid Network for Breast Tumor Segmentation in DCE-MRI [58.809276442508256]
  本稿では,畳み込みニューラルネットワーク(CNN)とトランスフォーマー層を組み合わせたハイブリッドネットワークを提案する。 プライベートおよびパブリックなDCE-MRIデータセットの実験結果から,提案したハイブリッドネットワークは最先端の手法よりも優れた性能を示した。
  論文  参考訳（メタデータ） (2024-08-11T15:46:00Z)
• EEG-Deformer: A Dense Convolutional Transformer for Brain-computer Interfaces [17.524441950422627]
  本稿では,CNN-Transformerに2つの新しいコンポーネントを組み込んだEEG-Deformerを紹介する。 EEG-Deformerは神経生理学的に意味のある脳領域から学習し、対応する認知タスクを学習する。
  論文  参考訳（メタデータ） (2024-04-25T18:00:46Z)
• TCCT-Net: Two-Stream Network Architecture for Fast and Efficient Engagement Estimation via Behavioral Feature Signals [58.865901821451295]
  本稿では,新しい2ストリーム機能融合 "Tensor-Convolution and Convolution-Transformer Network" (TCCT-Net) アーキテクチャを提案する。 時間空間領域における意味のあるパターンをよりよく学習するために、ハイブリッド畳み込み変換器を統合する「CT」ストリームを設計する。 並行して、時間周波数領域からリッチなパターンを効率的に抽出するために、連続ウェーブレット変換(CWT)を用いて情報を2次元テンソル形式で表現する「TC」ストリームを導入する。
  論文  参考訳（メタデータ） (2024-04-15T06:01:48Z)
• vEEGNet: learning latent representations to reconstruct EEG raw data via variational autoencoders [3.031375888004876]
  本稿では,2つのモジュールを持つDLアーキテクチャであるvEEGNetを提案する。つまり,データの潜在表現を抽出する変分オートエンコーダに基づく教師なしモジュールと,フィードフォワードニューラルネットワークに基づく教師付きモジュールにより異なる動作を分類する。 我々は最先端の分類性能を示し、生の脳波の低周波成分と中周波成分の両方を再構成する能力を示した。
  論文  参考訳（メタデータ） (2023-11-16T19:24:40Z)
• SeUNet-Trans: A Simple yet Effective UNet-Transformer Model for Medical Image Segmentation [0.0]
  医用画像セグメンテーションのためのシンプルなUNet-Transformer(seUNet-Trans)モデルを提案する。 提案手法では,UNetモデルを特徴抽出器として設計し,入力画像から複数の特徴マップを生成する。 UNetアーキテクチャと自己認識機構を活用することで、我々のモデルはローカルとグローバルの両方のコンテキスト情報を保存するだけでなく、入力要素間の長距離依存関係をキャプチャできる。
  論文  参考訳（メタデータ） (2023-10-16T01:13:38Z)
• Defect Classification in Additive Manufacturing Using CNN-Based Vision Processing [76.72662577101988]
  本稿では、まず、畳み込みニューラルネットワーク(CNN)を用いて、画像データセットの欠陥をAMから第2に正確に分類し、発達した分類モデルにアクティブラーニング技術を適用する。 これにより、トレーニングデータやトレーニングデータの生成に必要なデータのサイズを削減できる、ヒューマン・イン・ザ・ループ機構の構築が可能になる。
  論文  参考訳（メタデータ） (2023-07-14T14:36:58Z)
• EEG-NeXt: A Modernized ConvNet for The Classification of Cognitive Activity from EEG [0.0]
  脳波(EEG)に基づく脳-コンピュータインタフェース(BCI)システムにおける大きな課題の1つは、認知活動の分類のために主題/セッション不変の特徴を学習することである。 転送学習を容易にする新しいエンドツーエンド機械学習パイプラインであるEEG-NeXtを提案する。
  論文  参考訳（メタデータ） (2022-12-08T10:15:52Z)
• Classification of EEG Motor Imagery Using Deep Learning for Brain-Computer Interface Systems [79.58173794910631]
  トレーニングされたT1クラス畳み込みニューラルネットワーク(CNN)モデルを使用して、運動画像の識別を成功させる能力を調べる。 理論的には、モデルが正確にトレーニングされた場合、クラスを特定し、それに従ってラベル付けすることが可能になる。 CNNモデルは復元され、より小さなサンプルデータを使用して同じ種類の運動画像データを特定するために使用される。
  論文  参考訳（メタデータ） (2022-05-31T17:09:46Z)
• Efficient pre-training objectives for Transformers [84.64393460397471]
  本研究はトランスフォーマーモデルにおける高効率事前学習目標について検討する。 マスクトークンの除去と損失時のアウトプット全体の考慮が,パフォーマンス向上に不可欠な選択であることを証明する。
  論文  参考訳（メタデータ） (2021-04-20T00:09:37Z)
• Motor Imagery Classification of Single-Arm Tasks Using Convolutional Neural Network based on Feature Refining [5.620334754517149]
  運動画像(MI)は、信号の発端から運動機能の回復や回復に一般的に用いられる。 本研究では,BFR-CNN(Band-power Feature Refining Convolutional Neural Network)を提案する。
  論文  参考訳（メタデータ） (2020-02-04T04:36:09Z)

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。