論文の概要: From Electrode to Global Brain: Integrating Multi- and Cross-Scale Brain Connections and Interactions Under Cross-Subject and Within-Subject Scenarios

• arxiv url: http://arxiv.org/abs/2411.05862v1
• Date: Thu, 07 Nov 2024 09:12:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-12 14:08:22.933128
• Title: From Electrode to Global Brain: Integrating Multi- and Cross-Scale Brain Connections and Interactions Under Cross-Subject and Within-Subject Scenarios
• Title（参考訳）: 電極から大脳へ:クロスオブジェクト・イントラオブジェクトシナリオ下でのマルチ・クロススケール脳結合と相互作用の統合
• Authors: Chen Zhige, Qin Chengxuan,
• Abstract要約: 脳波信号の個人差は、クロスオブジェクト運動画像(MI)分類において大きな課題となる。 トポロジカルな構造と接続のためのMI実験では、マルチスケールの空間データ分布の違いが人間の脳の本質的特性である。 本稿では,マルチスケール空間領域適応ネットワーク (MSSDAN) について,マルチスケール空間特徴抽出器 (MSSFE) と,マルチスケール空間領域適応 (MSSDA) と呼ばれる深部領域適応手法を提案,検証した。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: The individual variabilities of electroencephalogram signals pose great challenges to cross-subject motor imagery (MI) classification, especially for the data-scarce single-source to single-target (STS) scenario. The multi-scale spatial data distribution differences can not be fully eliminated in MI experiments for the topological structure and connection are the inherent properties of the human brain. Overall, no literature investigates the multi-scale spatial data distribution problem in STS cross-subject MI classification task, neither intra-subject nor inter-subject scenarios. In this paper, a novel multi-scale spatial domain adaptation network (MSSDAN) consists of both multi-scale spatial feature extractor (MSSFE) and deep domain adaptation method called multi-scale spatial domain adaptation (MSSDA) is proposed and verified, our goal is to integrate the principles of multi-scale brain topological structures in order to solve the multi-scale spatial data distribution difference problem.
• Abstract（参考訳）: 脳波信号の個人変動は、特にデータスカース単一ソースから単一ターゲット(STS)シナリオにおいて、クロスオブジェクト運動画像(MI)分類に大きな課題をもたらす。 トポロジカルな構造と接続のためのMI実験では、マルチスケールの空間データ分布の違いが人間の脳の本質的特性である。 全体としては、STSクロスオブジェクトMI分類タスクにおけるマルチスケール空間データ分散問題について、オブジェクト内およびオブジェクト間シナリオの両方を調査する文献はない。 本稿では,マルチスケール空間領域適応ネットワーク(MSSDAN)について,マルチスケール空間特徴抽出器(MSSFE)と,マルチスケール空間領域適応法(MSSDA)という深部領域適応法(深部領域適応法)の2つから構成する。

関連論文リスト

• Subequivariant Reinforcement Learning in 3D Multi-Entity Physical Environments [31.437047774153037]
  本稿では,階層型階層型ニューラルネットワーク(SHNN)を提案する。 SHNNはまずグローバル空間をタスク割り当てによってローカルエンティティレベルのグラフに動的に分離する。 その後、局所的なエンティティレベルのグラフを渡って、局所的な参照フレームを考案する。
  論文  参考訳（メタデータ） (2024-07-17T11:37:34Z)
• DRSI-Net: Dual-Residual Spatial Interaction Network for Multi-Person Pose Estimation [7.418828517897727]
  本稿では,MPPEのための2次元空間相互作用ネットワーク(DRSI-Net)を提案する。 他の手法と比較して、DRSI-Netは隣接する特徴について空間的情報通信を行う。 提案したDRSI-Netは、他の最先端の手法よりも精度と複雑さが優れている。
  論文  参考訳（メタデータ） (2024-02-26T15:10:22Z)
• Towards Spatially-Lucid AI Classification in Non-Euclidean Space: An Application for MxIF Oncology Data [3.0566763412020714]
  異なる場所タイプの複数カテゴリの点集合が与えられた場合、我々のゴールは空間分解型分類器を開発することである。 この問題は、腫瘍と腫瘍の関係を解析し、新しい免疫療法を設計するために、腫瘍学などの多くの応用において重要である。 我々は、重み付き距離学習率や空間領域適応など、異なるトレーニング戦略を明示的に用いた空間アンサンブルフレームワークを探索する。
  論文  参考訳（メタデータ） (2024-02-22T21:22:21Z)
• Towards Multi-Objective High-Dimensional Feature Selection via Evolutionary Multitasking [63.91518180604101]
  本稿では,高次元特徴選択問題,すなわちMO-FSEMTのための新しいEMTフレームワークを開発する。 タスク固有の知識伝達機構は、各タスクの利点情報を活用するように設計され、高品質なソリューションの発見と効果的な伝達を可能にする。
  論文  参考訳（メタデータ） (2024-01-03T06:34:39Z)
• S3M: Scalable Statistical Shape Modeling through Unsupervised Correspondences [91.48841778012782]
  本研究では,集団解剖学における局所的および大域的形状構造を同時に学習するための教師なし手法を提案する。 我々のパイプラインは、ベースライン法と比較して、SSMの教師なし対応推定を大幅に改善する。 我々の手法は、ノイズの多いニューラルネットワーク予測から学ぶのに十分堅牢であり、より大きな患者にSSMを拡張できる可能性がある。
  論文  参考訳（メタデータ） (2023-04-15T09:39:52Z)
• Consistency and Diversity induced Human Motion Segmentation [231.36289425663702]
  本稿では,CDMS(Consistency and Diversity induced Human Motion)アルゴリズムを提案する。 我々のモデルは、ソースとターゲットデータを異なる多層特徴空間に分解する。 ソースとターゲットデータ間の領域ギャップを低減するために、マルチミューチュアル学習戦略を実行する。
  論文  参考訳（メタデータ） (2022-02-10T06:23:56Z)
• Cross-Modality Brain Tumor Segmentation via Bidirectional Global-to-Local Unsupervised Domain Adaptation [61.01704175938995]
  本論文では,UDAスキームに基づくBiGL(Bidirectional Global-to-Local)適応フレームワークを提案する。 具体的には、脳腫瘍をセグメント化するために、双方向画像合成およびセグメンテーションモジュールを提案する。 提案手法は, 最先端の非教師なし領域適応法を大きなマージンで上回っている。
  論文  参考訳（メタデータ） (2021-05-17T10:11:45Z)
• Universal-RCNN: Universal Object Detector via Transferable Graph R-CNN [117.80737222754306]
  我々はUniversal-RCNNと呼ばれる新しいユニバーサルオブジェクト検出器を提案する。 まず、すべてのカテゴリの高レベルなセマンティック表現を統合することで、グローバルなセマンティックプールを生成する。 ドメイン内推論モジュールは、空間認識GCNによってガイドされる1つのデータセット内のスパースグラフ表現を学習し、伝播する。
  論文  参考訳（メタデータ） (2020-02-18T07:57:45Z)
• MS-Net: Multi-Site Network for Improving Prostate Segmentation with Heterogeneous MRI Data [75.73881040581767]
  本稿では,ロバスト表現を学習し,前立腺のセグメンテーションを改善するための新しいマルチサイトネットワーク(MS-Net)を提案する。 当社のMS-Netは,すべてのデータセットのパフォーマンスを一貫して改善し,マルチサイト学習における最先端の手法よりも優れています。
  論文  参考訳（メタデータ） (2020-02-09T14:11:50Z)

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。