論文の概要: Towards Scalable Handwriting Communication via EEG Decoding and Latent Embedding Integration

• arxiv url: http://arxiv.org/abs/2411.09170v1
• Date: Thu, 14 Nov 2024 04:12:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-15 15:25:05.367736
• Title: Towards Scalable Handwriting Communication via EEG Decoding and Latent Embedding Integration
• Title（参考訳）: EEGデコーディングと遅延埋め込み統合によるスケーラブルな手書き文字通信の実現に向けて
• Authors: Jun-Young Kim, Deok-Seon Kim, Seo-Hyun Lee,
• Abstract要約: 本研究は,手書きによる脳波信号の復号化を目的としたアルファベット分類タスクを中心にしている。 手のキネマティクスを応用して,高次元神経記録からの一貫した埋め込みの抽出を導出する。 並列畳み込みニューラルネットワークモデルを用いて、両方のデータソースから特徴を同時に抽出する。 提案手法は9種類のタスクに対して91%の分類精度を達成し,脳波からのきめ細かな手書きデコードの実現可能性を示した。
• 参考スコア（独自算出の注目度）: 4.403687945412488
• License:
• Abstract: In recent years, brain-computer interfaces have made advances in decoding various motor-related tasks, including gesture recognition and movement classification, utilizing electroencephalogram (EEG) data. These developments are fundamental in exploring how neural signals can be interpreted to recognize specific physical actions. This study centers on a written alphabet classification task, where we aim to decode EEG signals associated with handwriting. To achieve this, we incorporate hand kinematics to guide the extraction of the consistent embeddings from high-dimensional neural recordings using auxiliary variables (CEBRA). These CEBRA embeddings, along with the EEG, are processed by a parallel convolutional neural network model that extracts features from both data sources simultaneously. The model classifies nine different handwritten characters, including symbols such as exclamation marks and commas, within the alphabet. We evaluate the model using a quantitative five-fold cross-validation approach and explore the structure of the embedding space through visualizations. Our approach achieves a classification accuracy of 91 % for the nine-class task, demonstrating the feasibility of fine-grained handwriting decoding from EEG.
• Abstract（参考訳）: 近年、脳とコンピュータのインタフェースは、脳波(EEG)データを利用して、ジェスチャー認識や運動分類を含む様々な運動関連タスクをデコードする進化を遂げている。 これらの発達は、神経信号が特定の物理的行動を認識するためにどのように解釈できるかを探求する上で基礎となる。 本研究は,手書きによる脳波信号の復号化を目的としたアルファベット分類タスクを中心にしている。 これを実現するため,我々は,補助変数(CEBRA)を用いた高次元神経記録からの一貫した埋め込みの抽出を誘導するために手動学を取り入れた。 これらのCEBRA埋め込みは、EEGとともに並列畳み込みニューラルネットワークモデルによって処理され、両方のデータソースから特徴を同時に抽出する。 モデルは9つの手書き文字を分類し、アルファベット内では接頭辞やコマなどの記号を含む。 定量的な5倍のクロスバリデーション手法を用いてモデルを評価し,可視化による埋め込み空間の構造について検討する。 提案手法は9種類のタスクに対して91%の分類精度を達成し,脳波からのきめ細かな手書きデコードの実現可能性を示した。

関連論文リスト

• Visual Neural Decoding via Improved Visual-EEG Semantic Consistency [3.4061238650474657]
  EEG機能をCLIP埋め込みスペースに直接マッピングするメソッドは、マッピングバイアスを導入し、セマンティックな矛盾を引き起こす可能性がある。 最適アライメントを容易にするために,これらの2つのモードのセマンティックな特徴を明示的に抽出する Visual-EEG Semantic Decouple Framework を提案する。 提案手法は,ゼロショットニューラルデコードタスクの最先端化を実現する。
  論文  参考訳（メタデータ） (2024-08-13T10:16:10Z)
• Towards Linguistic Neural Representation Learning and Sentence Retrieval from Electroencephalogram Recordings [27.418738450536047]
  脳波信号を文に変換するための2ステップパイプラインを提案する。 まず,自然読解中に記録された脳波データから単語レベルの意味情報を学習できることを確認する。 脳波エンコーダからの予測に基づいて文章を検索するために,学習不要な検索手法を用いる。
  論文  参考訳（メタデータ） (2024-08-08T03:40:25Z)
• Evaluating the structure of cognitive tasks with transfer learning [67.22168759751541]
  本研究では,脳波復号処理における深層学習表現の伝達可能性について検討した。 最近リリースされた2つのEEGデータセット上で、最先端デコードモデルを用いて広範な実験を行う。
  論文  参考訳（メタデータ） (2023-07-28T14:51:09Z)
• A Convolutional Spiking Network for Gesture Recognition in Brain-Computer Interfaces [0.8122270502556371]
  脳信号に基づく手振り分類の例題問題に対して,簡単な機械学習に基づくアプローチを提案する。 本手法は脳波データとECoGデータの両方で異なる対象に一般化し,92.74-97.07%の範囲で精度が向上することを示した。
  論文  参考訳（メタデータ） (2023-04-21T16:23:40Z)
• Hierarchical Sketch Induction for Paraphrase Generation [79.87892048285819]
  本稿では、高密度符号化の分解を学習するHRQ-VAE(Hierarchical Refinement Quantized Variational Autoencoders)を紹介する。 HRQ-VAEを用いて、入力文の構文形式を階層化の経路としてエンコードすることで、テスト時の構文スケッチをより容易に予測できる。
  論文  参考訳（メタデータ） (2022-03-07T15:28:36Z)
• Open Vocabulary Electroencephalography-To-Text Decoding and Zero-shot Sentiment Classification [78.120927891455]
  最先端のブレイン・トゥ・テキストシステムは、ニューラルネットワークを使用して脳信号から直接言語を復号することに成功した。 本稿では,自然読解課題における語彙的脳波(EEG)-テキスト列列列復号化とゼロショット文感性分類に問題を拡張する。 脳波-テキストデコーディングで40.1%のBLEU-1スコア、ゼロショット脳波に基づく3次感情分類で55.6%のF1スコアを達成し、教師付きベースラインを著しく上回る結果となった。
  論文  参考訳（メタデータ） (2021-12-05T21:57:22Z)
• EEG-based Cross-Subject Driver Drowsiness Recognition with an Interpretable Convolutional Neural Network [0.0]
  我々は,新しい畳み込みニューラルネットワークと解釈手法を組み合わせることで,分類の重要な特徴のサンプルワイズ分析を可能にする。 その結果,11名の被験者に対して平均78.35%の精度が得られた。
  論文  参考訳（メタデータ） (2021-05-30T14:47:20Z)
• Dynamic Graph Modeling of Simultaneous EEG and Eye-tracking Data for Reading Task Identification [79.41619843969347]
  我々は、脳波(EEG)と眼球運動(EM)データからヒトの読取意図を特定するための新しいアプローチAdaGTCNを提案する。 本稿では,AdaGTCN(Adaptive Graph Temporal Convolution Network)の手法として,Adaptive Graph Learning LayerとDeep Neighborhood Graph Convolution Layerを用いた。 このアプローチといくつかのベースラインを比較し、ZuCo 2.0データセットの6.29%の改善と広範なアブレーション実験を報告します。
  論文  参考訳（メタデータ） (2021-02-21T18:19:49Z)
• Relational Graph Learning on Visual and Kinematics Embeddings for Accurate Gesture Recognition in Robotic Surgery [84.73764603474413]
  本稿では,マルチモーダルグラフネットワーク(MRG-Net)の新たなオンラインアプローチを提案し,視覚情報とキネマティクス情報を動的に統合する。 本手法の有効性は, JIGSAWSデータセット上での最先端の成果で実証された。
  論文  参考訳（メタデータ） (2020-11-03T11:00:10Z)
• Learning from Heterogeneous EEG Signals with Differentiable Channel Reordering [51.633889765162685]
  CHARMは、一貫性のない入力チャネルをまたいだ単一のニューラルネットワークのトレーニング方法である。 我々は4つの脳波分類データセットの実験を行い、CHARMの有効性を実証した。
  論文  参考訳（メタデータ） (2020-10-21T12:32:34Z)
• Classification of High-Dimensional Motor Imagery Tasks based on An End-to-end role assigned convolutional neural network [21.984302611206537]
  本稿では,各上肢領域の識別的特徴を考慮した終端から終端までの畳み込みニューラルネットワーク(ERA-CNN)を提案する。 ERA-CNNを用いて脳波信号のみを用いてユーザの意図を復号する可能性を実証する。
  論文  参考訳（メタデータ） (2020-02-01T14:06:16Z)

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。