論文の概要: Spatial Adaptation Layer: Interpretable Domain Adaptation For Biosignal Sensor Array Applications
- arxiv url: http://arxiv.org/abs/2409.08058v2
- Date: Wed, 29 Jan 2025 14:50:58 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-01-30 22:32:42.374061
- Title: Spatial Adaptation Layer: Interpretable Domain Adaptation For Biosignal Sensor Array Applications
- Title(参考訳): 空間適応層:生体信号センサアレイ応用のための解釈可能な領域適応
- Authors: Joao Pereira, Michael Alummoottil, Dimitrios Halatsis, Dario Farina,
- Abstract要約: 生体信号アレイモデルに適用可能な空間適応層(SAL)を提案する。
また,学習可能なベースライン正規化(LBN)を導入し,ベースライン変動を低減する。
2つのHD-sEMGジェスチャ認識データセットでテストした結果、SALとLBNは通常の配列の標準微調整よりも優れていた。
- 参考スコア(独自算出の注目度): 0.7499722271664147
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Machine learning offers promising methods for processing signals recorded with wearable devices such as surface electromyography (sEMG) and electroencephalography (EEG). However, in these applications, despite high within-session performance, intersession performance is hindered by electrode shift, a known issue across modalities. Existing solutions often require large and expensive datasets and/or lack robustness and interpretability. Thus, we propose the Spatial Adaptation Layer (SAL), which can be applied to any biosignal array model and learns a parametrized affine transformation at the input between two recording sessions. We also introduce learnable baseline normalization (LBN) to reduce baseline fluctuations. Tested on two HD-sEMG gesture recognition datasets, SAL and LBN outperformed standard fine-tuning on regular arrays, achieving competitive performance even with a logistic regressor, with orders of magnitude less, physically interpretable parameters. Our ablation study showed that forearm circumferential translations account for the majority of performance improvements.
- Abstract(参考訳): 機械学習は、表面筋電図(sEMG)や脳波(EEG)などのウェアラブルデバイスで記録された信号を処理するための有望な方法を提供する。
しかし、これらのアプリケーションでは、内部セッション性能が高いにもかかわらず、インターセッション性能は電極シフトによって妨げられ、これはモダリティにまたがる既知の問題である。
既存のソリューションは、しばしば大規模で高価なデータセットを必要とする。
そこで本研究では,任意の生体信号配列モデルに適用可能な空間適応層(SAL)を提案し,2つの記録セッション間の入力でパラメタライズされたアフィン変換を学習する。
また,学習可能なベースライン正規化(LBN)を導入し,ベースライン変動を低減する。
2つのHD-sEMGジェスチャ認識データセットでテストした結果、SALとLBNは通常の配列の標準的な微調整よりも優れており、ロジスティック回帰器でも、桁数が桁違いに小さく、物理的に解釈可能なパラメータで競合性能を実現した。
以上の結果から,前腕の周縁翻訳が性能改善の大部分の原因であることが明らかとなった。
関連論文リスト
- PSDNorm: Test-Time Temporal Normalization for Deep Learning on EEG Signals [63.05435596565677]
PSDNormは、Mongeマッピングと時間コンテキストを活用して、ディープラーニングモデルでフィーチャーマップを正規化するレイヤである。
PSDNormは、トレーニング中に見えないデータセットのテスト時間における最先端のパフォーマンスを達成する。
PSDNormはロバスト性を大幅に改善し、20%の難題でF1スコアを著しく高めている。
論文 参考訳(メタデータ) (2025-03-06T16:20:25Z) - Graph Adapter of EEG Foundation Models for Parameter Efficient Fine Tuning [1.8946099300030472]
EEG-GraphAdapter (EGA) はパラメータ効率の高い微細チューニング(PEFT)アプローチである。
EGAは、GNNベースのモジュールとして、事前訓練された時間バックボーンモデルに統合される。
バックボーンのBENDRモデルと比較すると、F1スコアでは最大16.1%の性能向上を実現している。
論文 参考訳(メタデータ) (2024-11-25T07:30:52Z) - Automatic Classification of Sleep Stages from EEG Signals Using Riemannian Metrics and Transformer Networks [6.404789669795639]
睡眠医学において、被験者の睡眠の進化を評価するには、脳波(EEG)信号の高価な手作業によるスコアが伴うことが多い。
本研究では,Symmetric Definite Positive (SPD) の性質を犠牲にすることなく,学習した信号的特徴をそれらの行列に組み込む新しい方法を提案する。
論文 参考訳(メタデータ) (2024-10-18T06:49:52Z) - Multi-Source and Test-Time Domain Adaptation on Multivariate Signals using Spatio-Temporal Monge Alignment [59.75420353684495]
コンピュータビジョンやバイオメディカルデータなどの信号に対する機械学習の応用は、ハードウェアデバイスやセッション記録にまたがる変動のため、しばしば課題に直面している。
本研究では,これらの変動を緩和するために,時空間モンジュアライメント(STMA)を提案する。
我々はSTMAが、非常に異なる設定で取得したデータセット間で、顕著で一貫したパフォーマンス向上をもたらすことを示す。
論文 参考訳(メタデータ) (2024-07-19T13:33:38Z) - Physics-informed and Unsupervised Riemannian Domain Adaptation for Machine Learning on Heterogeneous EEG Datasets [53.367212596352324]
脳波信号物理を利用した教師なし手法を提案する。
脳波チャンネルをフィールド、ソースフリーなドメイン適応を用いて固定位置にマッピングする。
提案手法は脳-コンピュータインタフェース(BCI)タスクおよび潜在的なバイオマーカー応用におけるロバストな性能を示す。
論文 参考訳(メタデータ) (2024-03-07T16:17:33Z) - Tackling Electrode Shift In Gesture Recognition with HD-EMG Electrode
Subsets [0.8192907805418583]
入力チャネルサブセットの集合に関するトレーニングを提案し、異なる電極位置のデータを用いてトレーニング分布を増強する。
本手法は,電極シフトに対するロバスト性を高め,被検体と分類アルゴリズム間の干渉性能を著しく向上させる。
論文 参考訳(メタデータ) (2024-01-05T12:13:00Z) - ESTformer: Transformer Utilizing Spatiotemporal Dependencies for Electroencaphalogram Super-resolution [13.037623259514323]
変換器をベースとした買収依存を利用したEEGフレームワークを開発した。
EEG SRタスクのためのTransformerは、EEG SRタスクのためのTransformerの汎用性を示す。
脳波に基づく人物識別と感情認識タスクにおいて,SRデータの優位性を検証した。
論文 参考訳(メタデータ) (2023-12-03T12:26:32Z) - 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) - Convolutional Monge Mapping Normalization for learning on sleep data [63.22081662149488]
我々は、CMMN(Convolutional Monge Mapping Normalization)と呼ばれる新しい手法を提案する。
CMMNは、そのパワースペクトル密度(PSD)をトレーニングデータに基づいて推定されるワッサーシュタインバリセンタに適応させるために、信号をフィルタリングする。
睡眠脳波データに関する数値実験により、CMMNはニューラルネットワークアーキテクチャから独立して、顕著で一貫したパフォーマンス向上をもたらすことが示された。
論文 参考訳(メタデータ) (2023-05-30T08:24:01Z) - ASCNet-ECG: Deep Autoencoder based Attention aware Skip Connection
network for ECG filtering [0.0]
本研究は,ECG信号フィルタリングのための深層学習方式を提案する。
データはエンコーダ層とデコーダ層を介して処理され、ノイズを除去して再構成される。
提案アーキテクチャは、属性の学習を改善するために改良されたReLU関数を使用する。
論文 参考訳(メタデータ) (2023-03-28T13:23:03Z) - Multiresolution Dual-Polynomial Decomposition Approach for Optimized
Characterization of Motor Intent in Myoelectric Control Systems [0.8122953016935794]
表面筋電図(sEMG)は、幅広いバイオメディカル応用の生理的信号である。
パターン認識(PR)に基づく制御方式におけるsEMGの使用は主に、その豊富な運動情報の内容と非侵襲性に起因する。
マルチクラスEMG信号の適切な復調と再構成のためのMRDPIによる多分解能分解法を提案する。
論文 参考訳(メタデータ) (2022-11-10T14:42:11Z) - Decision Forest Based EMG Signal Classification with Low Volume Dataset
Augmented with Random Variance Gaussian Noise [51.76329821186873]
我々は6種類の手振りを限定的なサンプル数で分類できるモデルを作成し、より広い聴衆によく一般化する。
信号のランダムなバウンドの使用など、より基本的な手法のセットにアピールするが、これらの手法がオンライン環境で持てる力を示したいと考えている。
論文 参考訳(メタデータ) (2022-06-29T23:22:18Z) - 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) - Discriminative Singular Spectrum Classifier with Applications on
Bioacoustic Signal Recognition [67.4171845020675]
分析や分類に有用な特徴を効率的に抽出する識別機構を備えた生体音響信号分類器を提案する。
タスク指向の現在のバイオ音響認識法とは異なり、提案モデルは入力信号をベクトル部分空間に変換することに依存する。
提案法の有効性は,アヌラン,ミツバチ,蚊の3種の生物音響データを用いて検証した。
論文 参考訳(メタデータ) (2021-03-18T11:01:21Z) - Video-based Remote Physiological Measurement via Cross-verified Feature
Disentangling [121.50704279659253]
非生理的表現と生理的特徴を混同するための横断的特徴分離戦略を提案する。
次に, 蒸留された生理特性を用いて, 頑健なマルチタスク生理測定を行った。
歪んだ特徴は、最終的に平均HR値やr信号のような複数の生理的信号の合同予測に使用される。
論文 参考訳(メタデータ) (2020-07-16T09:39:17Z)
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。