論文の概要: The VEP Booster: A Closed-Loop AI System for Visual EEG Biomarker Auto-generation
- arxiv url: http://arxiv.org/abs/2407.15167v1
- Date: Sun, 21 Jul 2024 13:47:15 GMT
- ステータス: 処理完了
- システム内更新日: 2024-07-23 18:59:03.923817
- Title: The VEP Booster: A Closed-Loop AI System for Visual EEG Biomarker Auto-generation
- Title(参考訳): VEP Booster:ビジュアル脳波バイオマーカー自動生成のためのクローズドループAIシステム
- Authors: Junwen Luo, Chengyong Jiang, Qingyuan Chen, Dongqi Han, Yansen Wang, Biao Yan, Dongsheng Li, Jiayi Zhang,
- Abstract要約: 本稿では,視覚刺激プロトコルの下で信頼性と安定した脳波バイオマーカーを生成するクローズドループAIフレームワークを提案する。
以上の結果から,脳波バイオマーカーの信頼性と有用性は向上した。
- 参考スコア(独自算出の注目度): 28.912705252674332
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Effective visual brain-machine interfaces (BMI) is based on reliable and stable EEG biomarkers. However, traditional adaptive filter-based approaches may suffer from individual variations in EEG signals, while deep neural network-based approaches may be hindered by the non-stationarity of EEG signals caused by biomarker attenuation and background oscillations. To address these challenges, we propose the Visual Evoked Potential Booster (VEP Booster), a novel closed-loop AI framework that generates reliable and stable EEG biomarkers under visual stimulation protocols. Our system leverages an image generator to refine stimulus images based on real-time feedback from human EEG signals, generating visual stimuli tailored to the preferences of primary visual cortex (V1) neurons and enabling effective targeting of neurons most responsive to stimuli. We validated our approach by implementing a system and employing steady-state visual evoked potential (SSVEP) visual protocols in five human subjects. Our results show significant enhancements in the reliability and utility of EEG biomarkers for all individuals, with the largest improvement in SSVEP response being 105%, the smallest being 28%, and the average increase being 76.5%. These promising results have implications for both clinical and technological applications
- Abstract(参考訳): 効果的な視覚脳-機械インタフェース(BMI)は、信頼性が高く安定した脳波バイオマーカーに基づいている。
しかし、従来の適応フィルタベースのアプローチは脳波信号の個人差に悩まされるが、ディープニューラルネットワークベースのアプローチはバイオマーカー減衰と背景振動による脳波信号の非定常性によって妨げられる可能性がある。
これらの課題に対処するために、視覚刺激プロトコルの下で信頼性が高く安定した脳波バイオマーカーを生成する新しいクローズドループAIフレームワークであるVisual Evoked Potential Booster (VEP Booster)を提案する。
本システムでは,ヒト脳波信号からのリアルタイムフィードバックに基づいて刺激画像を精査し,一次視覚野ニューロン(V1)の嗜好に合わせて視覚刺激を発生させ,刺激に最も反応するニューロンの効果的な標的化を可能にする。
我々は,5人の被験者を対象に,システムの実装と定常視覚誘発電位(SSVEP)を用いたアプローチを検証した。
その結果,脳波バイオマーカーの信頼性と有用性は著しく向上し,SSVEP反応は105%,最小値が28%,平均値が76.5%であった。
これらの有望な結果は臨床および技術応用の両方に影響を及ぼす
関連論文リスト
- CognitionCapturer: Decoding Visual Stimuli From Human EEG Signal With Multimodal Information [61.1904164368732]
脳波信号の表現にマルチモーダルデータを完全に活用する統合フレームワークであるCognitionCapturerを提案する。
具体的には、CognitionCapturerは、各モダリティに対してモダリティエキスパートを訓練し、EEGモダリティからモダリティ情報を抽出する。
このフレームワークは生成モデルの微調整を一切必要とせず、より多くのモダリティを組み込むように拡張することができる。
論文 参考訳(メタデータ) (2024-12-13T16:27:54Z) - Limited but consistent gains in adversarial robustness by co-training object recognition models with human EEG [40.006249083417266]
分類と脳波予測の2つのタスクでResNet50-backboneモデルを訓練した。
ネットワークの脳波予測精度には有意な相関がみられた。
それぞれの脳波チャンネルからのデータを分解し,頭頂後頭頂部の電極からの最も強い寄与を観察した。
論文 参考訳(メタデータ) (2024-09-05T16:04:57Z) - On-device Learning of EEGNet-based Network For Wearable Motor Imagery Brain-Computer Interface [2.1710886744493263]
本稿では,ウェアラブルモータ画像認識のための軽量で効率的なオンデバイス学習エンジンを実装した。
我々は,メモリフットプリントが15.6KByteのベースラインに対して,最大7.31%の顕著な精度向上を示した。
我々の調整されたアプローチは、オンライントレーニング中に1回の推論で14.9ms、0.76mJ、1回の推測で20us、0.83uJの推論時間を示す。
論文 参考訳(メタデータ) (2024-08-25T08:23:51Z) - 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) - A marker-less human motion analysis system for motion-based biomarker
discovery in knee disorders [60.99112047564336]
NHSは低リスクの全ての患者に会うのが難しくなっているが、これはOA患者に限らない。
膝関節疾患の診断と治療経過のモニタリングのためのバイオマーカー自動同定法を提案する。
論文 参考訳(メタデータ) (2023-04-26T16:47:42Z) - Upper Limb Movement Recognition utilising EEG and EMG Signals for
Rehabilitative Robotics [0.0]
上肢運動分類のための新しい決定レベル多センサ融合手法を提案する。
システムは脳波信号をEMG信号と統合し、両方の情報源から効果的な情報を取得し、ユーザの欲求を理解し予測する。
論文 参考訳(メタデータ) (2022-07-18T14:51:23Z) - Bioformers: Embedding Transformers for Ultra-Low Power sEMG-based
Gesture Recognition [21.486555297061717]
人間と機械の相互作用は、義手やロボットアームの制御など、リハビリ作業において勢いを増している。
表面筋電図(sEMG)信号を利用したジェスチャー認識は最も有望なアプローチの一つである。
しかし、同様のジェスチャーが同様の筋収縮をもたらすため、これらの信号の分析は依然として多くの課題を呈している。
論文 参考訳(メタデータ) (2022-03-24T08:37:26Z) - GANSER: A Self-supervised Data Augmentation Framework for EEG-based
Emotion Recognition [15.812231441367022]
本稿では,GANSER(Generative Adversarial Network-based Self-supervised Data Augmentation)という新しいデータ拡張フレームワークを提案する。
脳波に基づく感情認識のための自己教師型学習と対人訓練を併用する最初の試みとして、提案フレームワークは高品質な模擬脳波サンプルを生成することができる。
変換関数は、脳波信号の一部を隠蔽し、生成元に残りの部分に基づいて潜在的な脳波信号を合成させる。
論文 参考訳(メタデータ) (2021-09-07T14:42:55Z) - 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) - Deep Feature Mining via Attention-based BiLSTM-GCN for Human Motor
Imagery Recognition [9.039355687614076]
本稿では,頭皮脳波に基づく極めて高精度かつ応答性の高い運動画像(MI)認識を目的とした,新しい深層学習手法を提案する。
注意機構を持つBiLSTMは、生の脳波信号から関連する特徴を導出する。
0.4秒検出フレームワークは、それぞれ98.81%と94.64%の精度で、個人およびグループレベルのトレーニングに基づいて効率的かつ効率的な予測を行っている。
論文 参考訳(メタデータ) (2020-05-02T10:03:40Z)
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。