論文の概要: Towards Personalized Brain-Computer Interface Application Based on Endogenous EEG Paradigms

• arxiv url: http://arxiv.org/abs/2411.11302v1
• Date: Mon, 18 Nov 2024 05:58:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-19 14:28:09.594604
• Title: Towards Personalized Brain-Computer Interface Application Based on Endogenous EEG Paradigms
• Title（参考訳）: 内因性脳波パラダイムに基づくパーソナライズされた脳-コンピュータインタフェース応用に向けて
• Authors: Heon-Gyu Kwak, Gi-Hwan Shin, Yeon-Woo Choi, Dong-Hoon Lee, Yoo-In Jeon, Jun-Su Kang, Seong-Whan Lee,
• Abstract要約: パーソナライズされた脳-コンピュータインタフェース(BCI)アプリケーションのための概念的フレームワークを提案する。 このフレームワークには,ユーザ識別と意図分類という,2つの重要なコンポーネントが含まれている。 EEG信号はパーソナライズされたBCIアプリケーションを効果的にサポートし、堅牢な識別と信頼性の高い意図的復号を提供する。
• 参考スコア（独自算出の注目度）: 22.625590048865387
• License:
• Abstract: In this paper, we propose a conceptual framework for personalized brain-computer interface (BCI) applications, which can offer an enhanced user experience by customizing services to individual preferences and needs, based on endogenous electroencephalography (EEG) paradigms including motor imagery (MI), speech imagery (SI), and visual imagery. The framework includes two essential components: user identification and intention classification, which enable personalized services by identifying individual users and recognizing their intended actions through EEG signals. We validate the feasibility of our framework using a private EEG dataset collected from eight subjects, employing the ShallowConvNet architecture to decode EEG features. The experimental results demonstrate that user identification achieved an average classification accuracy of 0.995, while intention classification achieved 0.47 accuracy across all paradigms, with MI demonstrating the best performance. These findings indicate that EEG signals can effectively support personalized BCI applications, offering robust identification and reliable intention decoding, especially for MI and SI.
• Abstract（参考訳）: 本稿では、運動画像(MI)、音声画像(SI)、視覚画像などの内因性脳波(EEG)のパラダイムに基づいて、個別の嗜好やニーズにサービスをカスタマイズすることで、ユーザエクスペリエンスを向上させる、パーソナライズされた脳-コンピュータインターフェース(BCI)アプリケーションのための概念的フレームワークを提案する。 このフレームワークには、ユーザ識別と意図分類という2つの重要なコンポーネントが含まれており、個々のユーザを特定してパーソナライズされたサービスを可能にし、EEG信号を通じて意図したアクションを認識する。 脳波の特徴をデコードするためにShallowConvNetアーキテクチャを用いて、8つの被験者から収集したプライベートEEGデータセットを用いて、我々のフレームワークの有効性を検証する。 実験の結果,ユーザの識別精度は0.995であり,意図的分類はすべてのパラダイムで0.47の精度を達成し,MIは最高の性能を示した。 これらの結果から,脳波信号はパーソナライズされたBCIアプリケーションに対して効果的にサポートでき,特にMIやSIでは堅牢な識別と信頼性の高い意図復号が可能であることが示唆された。

関連論文リスト

• When Does Your Brain Know You? Segment Length and Its Impact on EEG-based Biometric Authentication Accuracy [3.9735602856280132]
  この研究は、EEGデータが認証目的の最大情報収率を提供するしきい値を特定することを目指している。 この知見は非侵襲的生体計測技術の分野を推し進めるものである。
  論文  参考訳（メタデータ） (2024-03-19T11:30:03Z)
• Faceptor: A Generalist Model for Face Perception [52.8066001012464]
  Faceptorは、よく設計されたシングルエンコーダのデュアルデコーダアーキテクチャを採用するために提案されている。 Faceptorへのレイヤアテンションにより、モデルが最適なレイヤから機能を適応的に選択して、望ましいタスクを実行することができる。 我々のトレーニングフレームワークは補助的な教師付き学習にも適用でき、年齢推定や表現認識といったデータスパースタスクの性能を大幅に向上させることができる。
  論文  参考訳（メタデータ） (2024-03-14T15:42:31Z)
• 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)
• Multi-Modal Human Authentication Using Silhouettes, Gait and RGB [59.46083527510924]
  全体認証は、遠隔生体認証のシナリオにおいて有望なアプローチである。 本稿では,RGBデータとシルエットデータを組み合わせたDME(Dual-Modal Ensemble)を提案する。 DME内では、従来の歩行分析に使用される二重ヘリカル歩行パターンにインスパイアされたGaitPatternを提案する。
  論文  参考訳（メタデータ） (2022-10-08T15:17:32Z)
• EEG-Inception: An Accurate and Robust End-to-End Neural Network for EEG-based Motor Imagery Classification [123.93460670568554]
  本稿では,脳波に基づく運動画像(MI)分類のための新しい畳み込みニューラルネットワーク(CNN)アーキテクチャを提案する。 提案したCNNモデル、すなわちEEG-Inceptionは、Inception-Timeネットワークのバックボーン上に構築されている。 提案するネットワークは、生のEEG信号を入力とし、複雑なEEG信号前処理を必要としないため、エンドツーエンドの分類である。
  論文  参考訳（メタデータ） (2021-01-24T19:03:10Z)
• EEGsig: an open-source machine learning-based toolbox for EEG signal processing [0.9635229697369337]
  本稿では,EEG信号の全プロセスに対して,ツールボックスとグラフィックユーザインタフェースであるEEGsigを実演する。 我々は、前処理、特徴抽出、EEGsigへの分類を含む3つのEEG信号処理ステップを集約した。 抽出された最高の特徴を選択するには、すべてのEEG信号チャネルを同時に見ることができる。
  論文  参考訳（メタデータ） (2020-10-24T11:18:33Z)
• Disguising Personal Identity Information in EEG Signals [6.9207437122916735]
  本稿では,脳波信号の身元情報をダミーIDで偽装する手法を提案する。 元の脳波のアイデンティティ情報は、CycleGANベースの脳波測位モデルで偽の脳波に変換される。 モデルに制約を加えることで、脳波信号に対する関心の特徴を保存できる。
  論文  参考訳（メタデータ） (2020-10-18T03:55:38Z)
• User-Guided Domain Adaptation for Rapid Annotation from User Interactions: A Study on Pathological Liver Segmentation [49.96706092808873]
  マスクベースの医用画像のアノテーション、特に3Dデータは、信頼できる機械学習モデルを開発する上でボトルネックとなる。 ユーザガイド付きドメイン適応(UGDA)フレームワークを提案する。このフレームワークは,UIとマスクの複合分布をモデル化するために,予測に基づくドメイン適応(PADA)を利用する。 UGDAは、利用可能なUIのごく一部しか見ていない場合でも、最先端のパフォーマンスを維持することができる。
  論文  参考訳（メタデータ） (2020-09-05T04:24:58Z)
• Deep Feature Mining via Attention-based BiLSTM-GCN for Human Motor Imagery Recognition [9.039355687614076]
  本稿では,頭皮脳波に基づく極めて高精度かつ応答性の高い運動画像(MI)認識を目的とした,新しい深層学習手法を提案する。 注意機構を持つBiLSTMは、生の脳波信号から関連する特徴を導出する。 0.4秒検出フレームワークは、それぞれ98.81%と94.64%の精度で、個人およびグループレベルのトレーニングに基づいて効率的かつ効率的な予測を行っている。
  論文  参考訳（メタデータ） (2020-05-02T10:03:40Z)
• Mining Implicit Entity Preference from User-Item Interaction Data for Knowledge Graph Completion via Adversarial Learning [82.46332224556257]
  本稿では,知識グラフ補完タスクにおけるユーザインタラクションデータを活用することで,新たな逆学習手法を提案する。 我々のジェネレータはユーザインタラクションデータから分離されており、識別器の性能を向上させるのに役立ちます。 利用者の暗黙の実体的嗜好を発見するために,グラフニューラルネットワークに基づく精巧な協調学習アルゴリズムを設計する。
  論文  参考訳（メタデータ） (2020-03-28T05:47:33Z)
• Motor Imagery Classification of Single-Arm Tasks Using Convolutional Neural Network based on Feature Refining [5.620334754517149]
  運動画像(MI)は、信号の発端から運動機能の回復や回復に一般的に用いられる。 本研究では,BFR-CNN(Band-power Feature Refining Convolutional Neural Network)を提案する。
  論文  参考訳（メタデータ） (2020-02-04T04:36:09Z)

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。