論文の概要: Optimizing food taste sensory evaluation through neural network-based taste electroencephalogram channel selection

• arxiv url: http://arxiv.org/abs/2410.03559v1
• Date: Thu, 19 Sep 2024 03:36:22 GMT
• ステータス: 処理完了
• システム内更新日: 2024-11-02 21:29:56.797677
• Title: Optimizing food taste sensory evaluation through neural network-based taste electroencephalogram channel selection
• Title（参考訳）: ニューラルネットワークを用いた味覚脳波チャンネル選択による食味感覚評価の最適化
• Authors: Xiuxin Xia, Qun Wang, He Wang, Chenrui Liu, Pengwei Li, Yan Shi, Hong Men,
• Abstract要約: 味覚刺激によって誘発される味覚脳波(EEG)は、異なる脳パターンを反映し、食品の感覚評価などの用途に使用できる。 本稿では,注意を伴うクラスアクティベーションマッピング (CAM-Attention) と呼ばれるチャネル選択手法を提案する。 優れた認識性能を有し、味覚評価に有効な技術サポートを提供する。
• 参考スコア（独自算出の注目度）: 7.599029738002142
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The taste electroencephalogram (EEG) evoked by the taste stimulation can reflect different brain patterns and be used in applications such as sensory evaluation of food. However, considering the computational cost and efficiency, EEG data with many channels has to face the critical issue of channel selection. This paper proposed a channel selection method called class activation mapping with attention (CAM-Attention). The CAM-Attention method combined a convolutional neural network with channel and spatial attention (CNN-CSA) model with a gradient-weighted class activation mapping (Grad-CAM) model. The CNN-CSA model exploited key features in EEG data by attention mechanism, and the Grad-CAM model effectively realized the visualization of feature regions. Then, channel selection was effectively implemented based on feature regions. Finally, the CAM-Attention method reduced the computational burden of taste EEG recognition and effectively distinguished the four tastes. In short, it has excellent recognition performance and provides effective technical support for taste sensory evaluation.
• Abstract（参考訳）: 味覚刺激によって誘発される味覚脳波(EEG)は、異なる脳パターンを反映し、食品の感覚評価などの用途に使用できる。 しかし、計算コストと効率を考慮すると、多くのチャネルを持つ脳波データは、チャネル選択の重要な問題に直面しなければならない。 本稿では,注意を伴うクラスアクティベーションマッピング (CAM-Attention) と呼ばれるチャネル選択手法を提案する。 CAM-Attention法は、畳み込みニューラルネットワークとチャネルおよび空間的注意(CNN-CSA)モデルと勾配重み付きクラスアクティベーションマッピング(Grad-CAM)モデルを組み合わせた。 CNN-CSAモデルは注意機構によって脳波データの重要な特徴を利用しており、Grad-CAMモデルは特徴領域の可視化を効果的に実現した。 そして,特徴領域に基づいたチャネル選択を効果的に実施した。 最後に, CAM-Attention法により味覚脳波認識の計算負担を低減し, 4つの味を効果的に評価した。 要するに、優れた認識性能を有し、味覚評価に有効な技術サポートを提供する。

関連論文リスト

• Optimizing Brain-Computer Interface Performance: Advancing EEG Signals Channel Selection through Regularized CSP and SPEA II Multi-Objective Optimization [13.981941979747305]
  RCSPは脳波信号の識別と分類に有効である。 我々は、MIタスクを持つマルチチャネル脳波信号からチャネルのサブセットを選択する際に、最先端のアプローチを採用する。
  論文  参考訳（メタデータ） (2024-04-26T00:04:41Z)
• Novel entropy difference-based EEG channel selection technique for automated detection of ADHD [9.974570957415212]
  本稿では,エントロピー差(EnD)に基づく脳波(EEG)チャネル選択手法を用いたADHD自動検出手法を提案する。 提案手法では,ADHDの正確な同定のために,最も重要な脳波チャンネルを選択した。 提案手法の精度は99.29%であった。
  論文  参考訳（メタデータ） (2024-04-15T06:31:12Z)
• Manipulating Feature Visualizations with Gradient Slingshots [54.31109240020007]
  本稿では,モデルの決定過程に大きな影響を及ぼすことなく,特徴可視化(FV)を操作する新しい手法を提案する。 ニューラルネットワークモデルにおける本手法の有効性を評価し,任意の選択したニューロンの機能を隠蔽する能力を示す。
  論文  参考訳（メタデータ） (2024-01-11T18:57:17Z)
• 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)
• Automated Feature Extraction on AsMap for Emotion Classification using EEG [0.0]
  異なる脳領域の非対称性は、脳波信号の差動エントロピー(DE)特徴からAsMapと呼ばれる2次元ベクトルで捉えられる。 AsMapsは、畳み込みニューラルネットワーク(CNN)モデルを使用して、自動的に機能を抽出するために使用される。 SEEDデータセットを用いた3クラス分類問題において,97.10%の最高分類精度が達成された。
  論文  参考訳（メタデータ） (2022-01-28T11:38:29Z)
• ECINN: Efficient Counterfactuals from Invertible Neural Networks [80.94500245955591]
  本稿では, 画像分類における可逆ニューラルネットワークの生成能力を利用して, 対実例を効率的に生成する手法ECINNを提案する。 ECINNはクローズドフォーム表現を持ち、たった2つの評価の時点で反事実を生成する。 私たちの実験では、ECINNがクラス依存イメージ領域を変更して、反現実の知覚的および予測的クラスを変更する方法を示す。
  論文  参考訳（メタデータ） (2021-03-25T09:23:24Z)
• End-to-end learnable EEG channel selection with deep neural networks [72.21556656008156]
  本稿では,脳波チャネル選択をニューラルネットワーク自体に組み込む枠組みを提案する。 我々は、離散チャネル選択パラメータの連続緩和を用いて、この新しい最適化問題の離散的性質を扱う。 この一般的なアプローチは、2つの異なるEEGタスクで評価される。
  論文  参考訳（メタデータ） (2021-02-11T13:44:07Z)
• Emotional EEG Classification using Connectivity Features and Convolutional Neural Networks [81.74442855155843]
  CNNと脳のつながりを利用した新しい分類システムを導入し,その効果を感情映像分類により検証する。 対象映像の感情的特性に関連する脳接続の集中度は分類性能と相関する。
  論文  参考訳（メタデータ） (2021-01-18T13:28:08Z)
• Video-based Facial Expression Recognition using Graph Convolutional Networks [57.980827038988735]
  我々は、ビデオベースの表情認識のための共通のCNN-RNNモデルに、GCN(Graph Convolutional Network)層を導入する。 我々は、CK+、Oulu-CASIA、MMIの3つの広く使われているデータセットと、AFEW8.0の挑戦的なワイルドデータセットについて、本手法の評価を行った。
  論文  参考訳（メタデータ） (2020-10-26T07:31:51Z)

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。