論文の概要: Can EEG resting state data benefit data-driven approaches for motor-imagery decoding?

• arxiv url: http://arxiv.org/abs/2411.09789v1
• Date: Mon, 28 Oct 2024 07:18:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-24 06:02:00.938785
• Title: Can EEG resting state data benefit data-driven approaches for motor-imagery decoding?
• Title（参考訳）: 脳波静止状態データは、運動画像復号のためのデータ駆動型アプローチに有効か?
• Authors: Rishan Mehta, Param Rajpura, Yogesh Kumar Meena,
• Abstract要約: 本稿では,デコードモデルの一般化を促進するための特徴結合手法を提案する。 我々は、EEG信号分類のための標準的な畳み込みニューラルネットワークであるEEGNetモデルと、静止状態のEEGデータから導かれる機能的接続手段を組み合わせる。 ユーザ内のシナリオに対する平均精度の改善が観察されているが、ランダムなデータ結合と比較して、ユーザ間のシナリオ間の結合はメリットがない。
• 参考スコア（独自算出の注目度）: 4.870701423888026
• License:
• Abstract: Resting-state EEG data in neuroscience research serve as reliable markers for user identification and reveal individual-specific traits. Despite this, the use of resting-state data in EEG classification models is limited. In this work, we propose a feature concatenation approach to enhance decoding models' generalization by integrating resting-state EEG, aiming to improve motor imagery BCI performance and develop a user-generalized model. Using feature concatenation, we combine the EEGNet model, a standard convolutional neural network for EEG signal classification, with functional connectivity measures derived from resting-state EEG data. The findings suggest that although grounded in neuroscience with data-driven learning, the concatenation approach has limited benefits for generalizing models in within-user and across-user scenarios. While an improvement in mean accuracy for within-user scenarios is observed on two datasets, concatenation doesn't benefit across-user scenarios when compared with random data concatenation. The findings indicate the necessity of further investigation on the model interpretability and the effect of random data concatenation on model robustness.
• Abstract（参考訳）: 神経科学研究における安静状態脳波データは、ユーザーの識別と個々の特性を明らかにするための信頼性の高いマーカーとなる。 それにもかかわらず、EEG分類モデルにおける静止状態データの使用は限られている。 本研究では、静止状態脳波を統合してデコードモデルの一般化を促進する機能結合アプローチを提案し、運動画像BCIの性能向上とユーザ一般化モデルの開発を目的とする。 脳波信号分類のための標準的な畳み込みニューラルネットワークであるEEGNetモデルと、静止状態の脳波データから導かれる機能的接続度を結合する。 この結果は、データ駆動学習による神経科学に基礎を置いているものの、結合アプローチは、ユーザ内およびユーザ間のシナリオでモデルを一般化する上で、限られた利益をもたらすことを示唆している。 ユーザ内のシナリオの平均精度が2つのデータセットで改善されているのに対して、ランダムなデータ結合と比較して、ユーザ間のシナリオ間での結合はメリットがない。 この結果は,モデル解釈可能性に関するさらなる調査の必要性と,モデル頑健性に対するランダムデータ連結の影響を示している。

関連論文リスト

• 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)
• Synthesizing Multimodal Electronic Health Records via Predictive Diffusion Models [69.06149482021071]
  EHRPDと呼ばれる新しいEHRデータ生成モデルを提案する。 時間間隔推定を組み込んだ拡散モデルである。 我々は2つの公開データセットで実験を行い、忠実さ、プライバシー、実用性の観点からEPHPDを評価する。
  論文  参考訳（メタデータ） (2024-06-20T02:20:23Z)
• Synthesizing EEG Signals from Event-Related Potential Paradigms with Conditional Diffusion Models [3.187381965457262]
  本研究では,主観,セッション,クラス固有の脳波を直接生成する条件拡散モデルを提案する。 その結果,提案モデルでは被験者,セッション,クラスごとの実際のデータに類似した脳波データを生成することが可能であることが示唆された。
  論文  参考訳（メタデータ） (2024-03-27T11:58:45Z)
• Zero-shot Composed Text-Image Retrieval [72.43790281036584]
  合成画像検索(CIR)の問題点を考察する。 テキストや画像などのマルチモーダル情報を融合し、クエリにマッチする画像を正確に検索し、ユーザの表現能力を拡張できるモデルをトレーニングすることを目的としている。
  論文  参考訳（メタデータ） (2023-06-12T17:56:01Z)
• Synthetic data, real errors: how (not) to publish and use synthetic data [86.65594304109567]
  生成過程が下流MLタスクにどのように影響するかを示す。 本稿では、生成プロセスモデルパラメータの後方分布を近似するために、Deep Generative Ensemble (DGE)を導入する。
  論文  参考訳（メタデータ） (2023-05-16T07:30:29Z)
• A Federated Learning-based Industrial Health Prognostics for Heterogeneous Edge Devices using Matched Feature Extraction [16.337207503536384]
  本稿では,特徴類似性マッチングパラメータアグリゲーションアルゴリズムを用いたFL型健康予後モデルを提案する。 提案手法は, 健康状態推定と生活寿命推定において, 44.5%, 39.3%の精度向上を達成できることを示す。
  論文  参考訳（メタデータ） (2023-05-13T07:20:31Z)
• Vector-Based Data Improves Left-Right Eye-Tracking Classifier Performance After a Covariate Distributional Shift [0.0]
  我々は、より堅牢なベンチマークを作成するために、EEG-ETデータ収集のための微粒なデータアプローチを提案する。 我々は、粗粒データと細粒データの両方を利用して機械学習モデルを訓練し、類似/異なる分布パターンのデータでテストした場合の精度を比較した。 その結果、細粒度ベクトルベースでトレーニングされたモデルは、粗粒度二分分類されたデータでトレーニングされたモデルよりも分布シフトの影響を受けにくいことがわかった。
  論文  参考訳（メタデータ） (2022-07-31T16:27:50Z)
• HyperImpute: Generalized Iterative Imputation with Automatic Model Selection [77.86861638371926]
  カラムワイズモデルを適応的かつ自動的に構成するための一般化反復計算フレームワークを提案する。 既製の学習者,シミュレータ,インターフェースを備えた具体的な実装を提供する。
  論文  参考訳（メタデータ） (2022-06-15T19:10:35Z)
• ARM-Net: Adaptive Relation Modeling Network for Structured Data [29.94433633729326]
  ARM-Netは、構造化データに適した適応関係モデリングネットワークであり、リレーショナルデータのためのARM-Netに基づく軽量フレームワークARMORである。 ARM-Netは既存のモデルより一貫して優れており、データセットに対してより解釈可能な予測を提供する。
  論文  参考訳（メタデータ） (2021-07-05T07:37:24Z)
• Contrastive Model Inversion for Data-Free Knowledge Distillation [60.08025054715192]
  そこで、データ多様性を最適化可能な目的として明示的にモデル化するContrastive Model Inversionを提案します。 我々の主な観察では、同じ量のデータの制約の下では、高いデータの多様性は、通常より強いインスタンス識別を示す。 CIFAR-10, CIFAR-100, Tiny-ImageNetを用いた実験により, 生成したデータを知識蒸留に使用する場合, CMIは極めて優れた性能を示すことが示された。
  論文  参考訳（メタデータ） (2021-05-18T15:13:00Z)
• Negative Data Augmentation [127.28042046152954]
  負のデータ拡張サンプルは、データ分散のサポートに関する情報を提供することを示す。 我々は、NDAを識別器の合成データの追加源として利用する新しいGAN訓練目標を提案する。 実験により,本手法で訓練したモデルでは,異常検出能力の向上とともに条件付き・条件付き画像生成の改善を実現している。
  論文  参考訳（メタデータ） (2021-02-09T20:28:35Z)

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。