論文の概要: Channel Reflection: Knowledge-Driven Data Augmentation for EEG-Based Brain-Computer Interfaces

• arxiv url: http://arxiv.org/abs/2412.03224v1
• Date: Wed, 04 Dec 2024 11:21:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-05 15:06:29.346546
• Title: Channel Reflection: Knowledge-Driven Data Augmentation for EEG-Based Brain-Computer Interfaces
• Title（参考訳）: Channel Reflection:脳波に基づく脳-コンピュータインタフェースのための知識駆動型データ拡張
• Authors: Ziwei Wang, Siyang Li, Jingwei Luo, Jiajing Liu, Dongrui Wu,
• Abstract要約: 脳-コンピュータインターフェース(BCI)は、人間の脳と外部デバイスとの直接通信を可能にする。 EEGベースのBCIは現在、有能なユーザーにとって最も人気がある。 本稿ではパラメータフリーチャネルリフレクション(CR)データ拡張手法を提案する。
• 参考スコア（独自算出の注目度）: 18.013127663155462
• License:
• Abstract: A brain-computer interface (BCI) enables direct communication between the human brain and external devices. Electroencephalography (EEG) based BCIs are currently the most popular for able-bodied users. To increase user-friendliness, usually a small amount of user-specific EEG data are used for calibration, which may not be enough to develop a pure data-driven decoding model. To cope with this typical calibration data shortage challenge in EEG-based BCIs, this paper proposes a parameter-free channel reflection (CR) data augmentation approach that incorporates prior knowledge on the channel distributions of different BCI paradigms in data augmentation. Experiments on eight public EEG datasets across four different BCI paradigms (motor imagery, steady-state visual evoked potential, P300, and seizure classifications) using different decoding algorithms demonstrated that: 1) CR is effective, i.e., it can noticeably improve the classification accuracy; 2) CR is robust, i.e., it consistently outperforms existing data augmentation approaches in the literature; and, 3) CR is flexible, i.e., it can be combined with other data augmentation approaches to further increase the performance. We suggest that data augmentation approaches like CR should be an essential step in EEG-based BCIs. Our code is available online.
• Abstract（参考訳）: 脳-コンピュータインターフェース(BCI)は、人間の脳と外部デバイスとの直接通信を可能にする。 脳波(EEG)に基づくBCIは、現在、身体障害者に最も人気がある。 ユーザフレンドリ性を高めるため、通常は少数のユーザ固有のEEGデータをキャリブレーションに使用するが、純粋なデータ駆動デコードモデルを開発するには不十分である。 脳波に基づくBCIにおけるこの典型的なキャリブレーションデータ不足問題に対処するために,パラメータフリーチャネルリフレクション(CR)データ拡張手法を提案する。 異なる復号アルゴリズムを用いて、4つの異なるBCIパラダイム(運動画像、定常的な視覚誘発電位、P300、発作分類)にまたがる8つの公的な脳波データセットの実験を行った。 1)CRは有効であり,すなわち,分類精度を著しく向上させることができる。 2)CRは堅牢であり、文献における既存のデータ拡張アプローチを一貫して上回ります。 3)CRは柔軟性があり、すなわち、他のデータ拡張アプローチと組み合わせてパフォーマンスをさらに向上することができる。 CRのようなデータ拡張アプローチは、脳波ベースのBCIにおいて不可欠なステップであるべきだと提案する。 私たちのコードはオンラインで利用可能です。

関連論文リスト

• How Homogenizing the Channel-wise Magnitude Can Enhance EEG Classification Model? [4.0871083166108395]
  我々は、EEGデータ前処理にシンプルで効果的なアプローチを提案する。 提案手法はまず,逆チャネルワイドマグニチュード均質化により,脳波データを符号化画像に変換する。 これにより、巨大なディープラーニングネットワークを使わずに、脳波学習プロセスを改善することができる。
  論文  参考訳（メタデータ） (2024-07-19T09:11:56Z)
• Physics-informed and Unsupervised Riemannian Domain Adaptation for Machine Learning on Heterogeneous EEG Datasets [53.367212596352324]
  脳波信号物理を利用した教師なし手法を提案する。 脳波チャンネルをフィールド、ソースフリーなドメイン適応を用いて固定位置にマッピングする。 提案手法は脳-コンピュータインタフェース(BCI)タスクおよび潜在的なバイオマーカー応用におけるロバストな性能を示す。
  論文  参考訳（メタデータ） (2024-03-07T16:17:33Z)
• HFedMS: Heterogeneous Federated Learning with Memorable Data Semantics in Industrial Metaverse [49.1501082763252]
  本稿では,新しい産業メタバースに実用FLを取り入れたHFEDMSを提案する。 動的グルーピングとトレーニングモード変換によってデータの均一性を低下させる。 そして、圧縮された履歴データセマンティクスを融合することで、忘れられた知識を補う。 ストリームされた非I.d.FEMNISTデータセットに対して,368個のシミュレーションデバイスを用いて実験を行った。
  論文  参考訳（メタデータ） (2022-11-07T04:33:24Z)
• Towards physiology-informed data augmentation for EEG-based BCIs [24.15108821320151]
  本稿では,手元に設定したデータから新たなデータを生成することにより,トレーニングデータを増強する新しい手法を提案する。 本書では,本手法を解説し,参加者非依存型運動画像分類のための第1次予備結果を示す。
  論文  参考訳（メタデータ） (2022-03-27T20:59:40Z)
• Transformer-based Spatial-Temporal Feature Learning for EEG Decoding [4.8276709243429]
  本稿では,主に注意機構に依存する新しい脳波復号法を提案する。 我々はより少ないパラメータで、脳波の多分類化における最先端のレベルに達しました。 脳-コンピュータインタフェース(BCI)の実用性を促進する大きな可能性を秘めている。
  論文  参考訳（メタデータ） (2021-06-11T00:48:18Z)
• Common Spatial Generative Adversarial Networks based EEG Data Augmentation for Cross-Subject Brain-Computer Interface [4.8276709243429]
  脳波に基づく脳-コンピュータインタフェース(BCI)のクロスオブジェクト応用は、知覚が難しい大きな個人差と複雑な特徴によって常に制限されてきた。 CS-GAN(Common Space GAN)と呼ばれるGAN(Generative Adversarial Network)に基づくクロスオブジェクトEEG分類フレームワークを提案する。 我々のフレームワークは、オブジェクト間の問題に対処し、BCIの実践的応用を促進するための有望な方法を提供する。
  論文  参考訳（メタデータ） (2021-02-08T10:37:03Z)
• 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)
• Emotional EEG Classification using Connectivity Features and Convolutional Neural Networks [81.74442855155843]
  CNNと脳のつながりを利用した新しい分類システムを導入し,その効果を感情映像分類により検証する。 対象映像の感情的特性に関連する脳接続の集中度は分類性能と相関する。
  論文  参考訳（メタデータ） (2021-01-18T13:28:08Z)
• Performance of Dual-Augmented Lagrangian Method and Common Spatial Patterns applied in classification of Motor-Imagery BCI [68.8204255655161]
  運動画像に基づく脳-コンピュータインタフェース(MI-BCI)は、神経リハビリテーションのための画期的な技術になる可能性がある。 使用する脳波信号のノイズの性質のため、信頼性の高いBCIシステムは特徴の最適化と抽出のために特別な手順を必要とする。
  論文  参考訳（メタデータ） (2020-10-13T20:50:13Z)
• Transfer Learning and SpecAugment applied to SSVEP Based BCI Classification [1.9336815376402716]
  我々は、ディープ畳み込みニューラルネットワーク(DCNN)を使用して、単一チャネル脳-コンピュータインタフェース(BCI)で脳波信号を分類する。 脳波信号はスペクトログラムに変換され、転送学習技術を用いてDCNNを訓練するための入力として機能した。
  論文  参考訳（メタデータ） (2020-10-08T00:30:12Z)
• ECG-DelNet: Delineation of Ambulatory Electrocardiograms with Mixed Quality Labeling Using Neural Networks [69.25956542388653]
  ディープラーニング(DL)アルゴリズムは、学術的、産業的にも重くなっている。 セグメンテーションフレームワークにECGの検出とデライン化を組み込むことにより、低解釈タスクにDLをうまく適用できることを実証する。 このモデルは、PhyloNetのQTデータベースを使用して、105個の増幅ECG記録から訓練された。
  論文  参考訳（メタデータ） (2020-05-11T16:29:12Z)

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。