論文の概要: Dataset Refinement for Improving the Generalization Ability of the EEG Decoding Model

• arxiv url: http://arxiv.org/abs/2411.10450v1
• Date: Thu, 31 Oct 2024 05:08:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-24 06:02:05.116271
• Title: Dataset Refinement for Improving the Generalization Ability of the EEG Decoding Model
• Title（参考訳）: 脳波復号モデルの一般化能力向上のためのデータセットの精細化
• Authors: Sung-Jin Kim, Dae-Hyeok Lee, Hyeon-Taek Han,
• Abstract要約: 脳波データセットからノイズの多いデータを除去するデータセット改良アルゴリズムを提案する。 提案したアルゴリズムは、元のデータセットよりも優れた一般化性能を実現している。 脳波領域における深層学習モデルの一般化性能を効果的に向上させることができると結論付けた。
• 参考スコア（独自算出の注目度）: 2.9972387721489655
• License:
• Abstract: Electroencephalography (EEG) is a generally used neuroimaging approach in brain-computer interfaces due to its non-invasive characteristics and convenience, making it an effective tool for understanding human intentions. Therefore, recent research has focused on decoding human intentions from EEG signals utilizing deep learning methods. However, since EEG signals are highly susceptible to noise during acquisition, there is a high possibility of the existence of noisy data in the dataset. Although pioneer studies have generally assumed that the dataset is well-curated, this assumption is not always met in the EEG dataset. In this paper, we addressed this issue by designing a dataset refinement algorithm that can eliminate noisy data based on metrics evaluating data influence during the training process. We applied the proposed algorithm to two motor imagery EEG public datasets and three different models to perform dataset refinement. The results indicated that retraining the model with the refined dataset consistently led to better generalization performance compared to using the original dataset. Hence, we demonstrated that removing noisy data from the training dataset alone can effectively improve the generalization performance of deep learning models in the EEG domain.
• Abstract（参考訳）: 脳波検査(Electroencephalography、EEG)は、脳とコンピュータのインターフェースにおいて、その非侵襲的な特徴と利便性のために一般的に用いられる神経イメージング手法であり、人間の意図を理解する効果的なツールである。 そのため、近年の研究では、深層学習を用いた脳波信号から人間の意図を復号することに焦点を当てている。 しかし、EEG信号は取得時にノイズの影響を受けやすいため、データセットにノイズのあるデータが存在する可能性は高い。 先駆的な研究は一般的にデータセットがよく計算されていると仮定しているが、この仮定はEEGデータセットで常に満たされているわけではない。 本稿では、トレーニング過程におけるデータ影響を評価する指標に基づいてノイズの多いデータを除去できるデータセット改善アルゴリズムを設計することにより、この問題に対処する。 提案アルゴリズムを2つの運動画像脳波パブリックデータセットと3つの異なるモデルに適用し,データセットの改良を行った。 その結果,改良データセットを用いてモデルの再トレーニングを行うことで,元のデータセットよりも優れた一般化性能が得られることがわかった。 したがって、トレーニングデータセットからノイズの多いデータを除去することで、脳波領域におけるディープラーニングモデルの一般化性能を効果的に向上できることを示した。

関連論文リスト

• Domain-Transferred Synthetic Data Generation for Improving Monocular Depth Estimation [9.812476193015488]
  本稿では,3次元合成環境とCycleGANドメイン転送を用いたシミュレーションデータ生成手法を提案する。 本研究では,DenseDepth構造に基づく深度推定モデルを実データと模擬データの異なるトレーニングセットを用いて学習することにより,このデータ生成手法を,人気のNYUDepth V2データセットと比較する。 本稿では,Huskyロボットによる新たに収集した画像とLiDAR深度データを用いたモデルの性能評価を行い,GAN変換データを実世界のデータ,特に深度推定の有効な代替手段として有効であることを示す。
  論文  参考訳（メタデータ） (2024-05-02T09:21:10Z)
• Learning with Noisy Foundation Models [95.50968225050012]
  本論文は、事前学習データセットにおけるノイズの性質を包括的に理解し分析する最初の研究である。 雑音の悪影響を緩和し、一般化を改善するため、特徴空間に適応するチューニング法(NMTune)を提案する。
  論文  参考訳（メタデータ） (2024-03-11T16:22:41Z)
• EEGFormer: Towards Transferable and Interpretable Large-Scale EEG Foundation Model [39.363511340878624]
  大規模複合脳波データに基づいて事前学習した脳波基礎モデル,すなわちEEGFormerを提案する。 本モデルの有効性を検証するため,様々な下流タスクにおいて広範囲に評価し,異なる転送条件下での性能を評価する。
  論文  参考訳（メタデータ） (2024-01-11T17:36:24Z)
• Reimagining Synthetic Tabular Data Generation through Data-Centric AI: A Comprehensive Benchmark [56.8042116967334]
  合成データは、機械学習モデルのトレーニングの代替となる。 合成データが現実世界データの複雑なニュアンスを反映することを保証することは、難しい作業です。 本稿では,データ中心型AI技術の統合による合成データ生成プロセスのガイドの可能性について検討する。
  論文  参考訳（メタデータ） (2023-10-25T20:32:02Z)
• 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)
• Two Heads are Better than One: A Bio-inspired Method for Improving Classification on EEG-ET Data [14.086094296850122]
  EEGデータの分類は、Brain Computer Interfaces(BCI)とそのアプリケーションのパフォーマンスに不可欠である。 外部ノイズは、その生物学的性質と複雑なデータ収集プロセスのために、しばしば脳波データを妨害する。 脳波データの特徴選択と時間分割を統合した新しい手法を提案する。
  論文  参考訳（メタデータ） (2023-03-25T23:44:39Z)
• EEG Synthetic Data Generation Using Probabilistic Diffusion Models [0.0]
  本研究では,拡散確率モデルを用いて合成脳波データを生成する,データ拡張のための高度な手法を提案する。 脳波記録の電極周波数分布マップ(EFDM)から合成データを生成する。 提案手法は、大規模で公開可能な人工脳波データセットの作成を可能にすることにより、より広い分野の神経科学研究に潜在的に影響を及ぼす可能性がある。
  論文  参考訳（メタデータ） (2023-03-06T12:03:22Z)
• Data augmentation for learning predictive models on EEG: a systematic comparison [79.84079335042456]
  脳波(EEG)分類タスクの深層学習は、ここ数年急速に増加している。 EEG分類タスクのディープラーニングは、比較的小さなEEGデータセットによって制限されている。 データ拡張は、コンピュータビジョンや音声などのアプリケーションにまたがる最先端のパフォーマンスを得るために重要な要素となっている。
  論文  参考訳（メタデータ） (2022-06-29T09:18:15Z)
• Transformer Networks for Data Augmentation of Human Physical Activity Recognition [61.303828551910634]
  Recurrent Generative Adrial Networks (RGAN)のような最先端技術モデルは、リアルな合成データを生成するために使用される。 本稿では,データにグローバルな注意を払っているトランスフォーマーベースの生成敵ネットワークを,PAMAP2とリアルワールドヒューマンアクティビティ認識データセットでRGANと比較する。
  論文  参考訳（メタデータ） (2021-09-02T16:47:29Z)
• Uncovering the structure of clinical EEG signals with self-supervised learning [64.4754948595556]
  教師付き学習パラダイムは、しばしば利用可能なラベル付きデータの量によって制限される。 この現象は脳波(EEG)などの臨床関連データに特に問題となる。 ラベルのないデータから情報を抽出することで、ディープニューラルネットワークとの競合性能に到達することができるかもしれない。
  論文  参考訳（メタデータ） (2020-07-31T14:34:47Z)
• Data Augmentation for Enhancing EEG-based Emotion Recognition with Deep Generative Models [13.56090099952884]
  本稿では、感情認識モデルの性能を高めるために、脳波トレーニングデータを増強する3つの方法を提案する。 フル利用戦略では、生成されたすべてのデータが、生成されたデータの品質を判断することなく、トレーニングデータセットに拡張される。 実験結果から,脳波を用いた感情認識モデルの性能向上を図った。
  論文  参考訳（メタデータ） (2020-06-04T21:23:09Z)

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。