論文の概要: Bi-Band ECoGNet for ECoG Decoding on Classification Task

• arxiv url: http://arxiv.org/abs/2412.00378v2
• Date: Mon, 23 Dec 2024 02:11:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-24 15:51:00.244102
• Title: Bi-Band ECoGNet for ECoG Decoding on Classification Task
• Title（参考訳）: 分類課題におけるECoGデコードのためのバイバンドECoGNet
• Authors: Changqing Ji, Keisuke Kawasaki, Isao Hasegwa, Takayuki Okatani,
• Abstract要約: 本稿では,ディープラーニングに基づくバイバンドECoGNetモデルを提案する。 Bi-BCWT ニューラルネットワークモジュールは、時間列法 MST を置き換えるように設計されている。 ECoGは2次元電極アレイを用いて取得され、新たに設計された2次元空間時間特徴エンコーダは2次元空間特徴をよりよく抽出することができる。
• 参考スコア（独自算出の注目度）: 11.512073687004461
• License:
• Abstract: In the application of brain-computer interface (BCI), being able to accurately decode brain signals is a critical task. For the multi-class classification task of brain signal ECoG, how to improve the classification accuracy is one of the current research hotspots. ECoG acquisition uses a high-density electrode array and a high sampling frequency, which makes ECoG data have a certain high similarity and data redundancy in the temporal domain, and also unique spatial pattern in spatial domain. How to effectively extract features is both exciting and challenging. Previous work found that visual-related ECoG can carry visual information via frequency and spatial domain. Based on this finding, we focused on using deep learning to design frequency and spatial feature extraction modules, and proposed a Bi-Band ECoGNet model based on deep learning. The main contributions of this paper are: 1) The Bi-BCWT (Bi-Band Channel-Wise Transform) neural network module is designed to replace the time-consume method MST, this module greatly improves the model calculation and data storage efficiency, and effectively increases the training speed; 2) The Bi-BCWT module can effectively take into account the information both in low-frequency and high-frequency domain, which is more conducive to ECoG multi-classification tasks; 3) ECoG is acquired using 2D electrode array, the newly designed 2D Spatial-Temporal feature encoder can extract the 2D spatial feature better. Experiments have shown that the unique 2D spatial data structure can effectively improve classification accuracy; 3) Compared with previous work, the Bi-Band ECoGNet model is smaller and has higher performance, with an accuracy increase of 1.24%, and the model training speed is increased by 6 times, which is more suitable for BCI applications.
• Abstract（参考訳）: 脳-コンピュータインタフェース(BCI)の応用においては、脳信号を正確に復号化できることが重要な課題である。 脳信号ECoGの多クラス分類タスクでは、分類精度を改善する方法が現在の研究ホットスポットの1つである。 ECoG の取得には高密度電極アレイと高サンプリング周波数を用いるため、ECoG データは時間領域における特定の高い類似性とデータ冗長性を持ち、空間領域におけるユニークな空間パターンを持つ。 機能を効果的に抽出する方法は、エキサイティングで難しいものです。 以前の研究では、視覚関連ECoGが周波数と空間領域を介して視覚情報を伝達できることが判明した。 そこで本研究では,深層学習による周波数・空間特徴抽出モジュールの設計に焦点をあて,深層学習に基づくバイバンドECoGNetモデルを提案する。 本論文の主な貢献は次のとおりである。 1) Bi-BCWT(Bi-Band Channel-Wise Transform)ニューラルネットワークモジュールは,MSTの代替として設計されており,モデル計算とデータ保存効率を大幅に改善し,トレーニング速度を効果的に向上させる。 2) Bi-BCWTモジュールは,ECoGマルチクラス化タスクに適する低周波領域と高周波領域の両方において,情報を効果的に考慮することができる。 3)ECoGは2次元電極アレイを用いて取得され,新たに設計された2次元空間時間特徴エンコーダは2次元空間特徴をよりよく抽出することができる。 実験により、ユニークな2次元空間データ構造が分類精度を効果的に向上できることが示されている。 3) Bi-Band ECoGNetモデルと比較すると, 精度が1.24%向上し, BCIアプリケーションに適したモデルトレーニング速度が6倍向上した。

関連論文リスト

• Neuromorphic Wireless Split Computing with Multi-Level Spikes [69.73249913506042]
  ニューロモルフィックコンピューティングでは、スパイクニューラルネットワーク(SNN)が推論タスクを実行し、シーケンシャルデータを含むワークロードの大幅な効率向上を提供する。 ハードウェアとソフトウェアの最近の進歩は、スパイクニューロン間で交換された各スパイクに数ビットのペイロードを埋め込むことにより、推論精度をさらに高めることを示した。 本稿では,マルチレベルSNNを用いた無線ニューロモルフィック分割計算アーキテクチャについて検討する。
  論文  参考訳（メタデータ） (2024-11-07T14:08:35Z)
• Dual-TSST: A Dual-Branch Temporal-Spectral-Spatial Transformer Model for EEG Decoding [2.0721229324537833]
  デュアルブランチ時間スペクトル空間変換器(Dual-TSST)を用いた新しいデコードアーキテクチャネットワークを提案する。 提案するDual-TSSTは様々なタスクにおいて優れており,平均精度80.67%の脳波分類性能が期待できる。 本研究は,高性能脳波デコーディングへの新たなアプローチを提供するとともに,将来のCNN-Transformerベースのアプリケーションにも大きな可能性を秘めている。
  論文  参考訳（メタデータ） (2024-09-05T05:08:43Z)
• Cross-Cluster Shifting for Efficient and Effective 3D Object Detection in Autonomous Driving [69.20604395205248]
  本稿では,自律運転における3次元物体検出のための3次元点検出モデルであるShift-SSDを提案する。 我々は、ポイントベース検出器の表現能力を解き放つために、興味深いクロスクラスタシフト操作を導入する。 我々は、KITTI、ランタイム、nuScenesデータセットに関する広範な実験を行い、Shift-SSDの最先端性能を実証した。
  論文  参考訳（メタデータ） (2024-03-10T10:36:32Z)
• Enhancing Motor Imagery Decoding in Brain Computer Interfaces using Riemann Tangent Space Mapping and Cross Frequency Coupling [5.860347939369221]
  運動画像(MI)は脳コンピュータインタフェース(BCI)の領域における重要な実験パラダイムである 本稿では,MI特徴量に関する表現品質と復号化能力を向上させるための新しい手法を提案する。 さらに特徴抽出と分類のために軽量畳み込みニューラルネットワークが使用され、クロスエントロピーとセンターロスの共同管理の下で動作している。
  論文  参考訳（メタデータ） (2023-10-29T23:37:47Z)
• A Dynamic Domain Adaptation Deep Learning Network for EEG-based Motor Imagery Classification [1.7465786776629872]
  動的ドメイン適応型ディープラーニングネットワーク(DADL-Net)を提案する。 まず、脳波データを3次元幾何学空間にマッピングし、その時空間的特徴を3次元畳み込みモジュールを通して学習する。 精度は70.42%と73.91%で、OpenBMIとBCIC IV 2aデータセットで達成された。
  論文  参考訳（メタデータ） (2023-09-21T01:34:00Z)
• 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)
• Weakly Supervised Change Detection Using Guided Anisotropic Difusion [97.43170678509478]
  我々は、このようなデータセットを変更検出の文脈で活用するのに役立つ独自のアイデアを提案する。 まず,意味的セグメンテーション結果を改善する誘導異方性拡散(GAD)アルゴリズムを提案する。 次に、変化検出に適した2つの弱い教師付き学習戦略の可能性を示す。
  論文  参考訳（メタデータ） (2021-12-31T10:03:47Z)
• A SPA-based Manifold Learning Framework for Motor Imagery EEG Data Classification [2.4727719996518487]
  本稿では,運動画像(MI)タスクから2種類の脳波データを分類するための多様体学習フレームワークを提案する。 特徴抽出のために、前処理された脳波信号から共通空間パターン(CSP)によって実装される。 分類のための特徴の近傍では、データの支持に対する局所近似が得られ、次に最も近い支持を持つクラスに特徴が割り当てられる。
  論文  参考訳（メタデータ） (2021-07-30T06:18:05Z)
• Motor Imagery Classification based on CNN-GRU Network with Spatio-Temporal Feature Representation [22.488536453952964]
  近年、脳波(EEG)信号に様々なディープニューラルネットワークが応用されている。 脳波は非侵襲的に取得できる脳信号であり、時間分解能が高い。 脳波信号は高次元の分類特徴空間を持つため,性能向上には適切な特徴抽出法が必要である。
  論文  参考訳（メタデータ） (2021-07-15T01:05:38Z)
• 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)
• Binary DAD-Net: Binarized Driveable Area Detection Network for Autonomous Driving [94.40107679615618]
  本稿では,二項化駆動型領域検出ネットワーク(バイナリDAD-Net)を提案する。 エンコーダ、ボトルネック、デコーダ部分の2重みとアクティベーションのみを使用する。 パブリックデータセット上で、最先端のセマンティックセグメンテーションネットワークより優れています。
  論文  参考訳（メタデータ） (2020-06-15T07:09:01Z)

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。