論文の概要: T-TIME: Test-Time Information Maximization Ensemble for Plug-and-Play BCIs

• arxiv url: http://arxiv.org/abs/2412.07228v1
• Date: Tue, 10 Dec 2024 06:32:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-11 14:35:36.714909
• Title: T-TIME: Test-Time Information Maximization Ensemble for Plug-and-Play BCIs
• Title（参考訳）: T-TIME: プラグアンドプレイBCIのためのテスト時間情報最大化アンサンブル
• Authors: Siyang Li, Ziwei Wang, Hanbin Luo, Lieyun Ding, Dongrui Wu,
• Abstract要約: EEGベースの脳コンピュータインタフェース(BCI)は、ヒト脳とコンピュータ間の直接通信を可能にする。 脳波信号の個人差と非定常性のため、そのようなBCIは通常、使用前に対象固有のキャリブレーションセッションを必要とする。 本稿では、最も困難なオンラインTLシナリオに対応するために、T-TIME(Test-Time Information Maximization Ensemble)を提案する。
• 参考スコア（独自算出の注目度）: 18.380128552474854
• License:
• Abstract: Objective: An electroencephalogram (EEG)-based brain-computer interface (BCI) enables direct communication between the human brain and a computer. Due to individual differences and non-stationarity of EEG signals, such BCIs usually require a subject-specific calibration session before each use, which is time-consuming and user-unfriendly. Transfer learning (TL) has been proposed to shorten or eliminate this calibration, but existing TL approaches mainly consider offline settings, where all unlabeled EEG trials from the new user are available. Methods: This paper proposes Test-Time Information Maximization Ensemble (T-TIME) to accommodate the most challenging online TL scenario, where unlabeled EEG data from the new user arrive in a stream, and immediate classification is performed. T-TIME initializes multiple classifiers from the aligned source data. When an unlabeled test EEG trial arrives, T-TIME first predicts its labels using ensemble learning, and then updates each classifier by conditional entropy minimization and adaptive marginal distribution regularization. Our code is publicized. Results: Extensive experiments on three public motor imagery based BCI datasets demonstrated that T-TIME outperformed about 20 classical and state-of-the-art TL approaches. Significance: To our knowledge, this is the first work on test time adaptation for calibration-free EEG-based BCIs, making plug-and-play BCIs possible.
• Abstract（参考訳）: 目的:脳波(EEG)ベースの脳コンピュータインタフェース(BCI)は、ヒト脳とコンピュータ間の直接通信を可能にする。 脳波信号の個人差と非定常性のため、これらのBCIは通常、使用前に個別のキャリブレーションセッションを必要とする。 転送学習(TL)は、このキャリブレーションを短縮または排除するために提案されているが、既存のTLアプローチは主に、新しいユーザからのラベルなしのEEGトライアルが利用可能であるオフライン設定を考慮している。 方法:本論文では,新たなユーザからの未ラベルのEEGデータがストリームに到達し,即時分類を行う,最も困難なオンラインTLシナリオに対応するためのT-TIME(Test-Time Information Maximization Ensemble)を提案する。 T-TIMEは、整列したソースデータから複数の分類器を初期化する。 ラベルのないテストEEGトライアルが到着すると、T-TIMEはまずアンサンブル学習を用いてラベルを予測し、その後、条件付きエントロピー最小化と適応的境界分布正規化によって各分類器を更新する。 私たちのコードは公開されています。 結果: 3つの公共運動画像に基づくBCIデータセットの大規模な実験により,T-TIMEは古典的かつ最先端のTLアプローチで約20以上の性能を示した。 意義:私たちの知る限り、これはキャリブレーションなしのEEGベースのBCIに対するテスト時間適応の最初の作業であり、プラグアンドプレイのBCIを可能にします。

関連論文リスト

• Transferring BCI models from calibration to control: Observing shifts in EEG features [5.62479170374811]
  パブリックモーターイメージベースの脳コンピュータインタフェース(BCI)データセットは、より優れた分類器の開発に使用されている。 ユーザがそのようなBCIでコントロールタスクを実行しようとすると、EEGパターンにどのような変化が起こるかは、しばしば不明である。 標準校正セッションとEMGに基づく新しいBCI制御セッションを含む新しいパラダイムを実証する。
  論文  参考訳（メタデータ） (2024-03-14T09:49:00Z)
• 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)
• DELTA: degradation-free fully test-time adaptation [59.74287982885375]
  テスト時間バッチ正規化(BN)や自己学習といった,一般的な適応手法では,2つの好ましくない欠陥が隠されていることがわかった。 まず、テスト時間BNにおける正規化統計は、現在受信されているテストサンプルに完全に影響され、その結果、不正確な推定結果が得られることを明らかにする。 第二に、テスト時間適応中にパラメータ更新が支配的なクラスに偏っていることを示す。
  論文  参考訳（メタデータ） (2023-01-30T15:54:00Z)
• Transfer Learning of an Ensemble of DNNs for SSVEP BCI Spellers without User-Specific Training [3.6144103736375857]
  現在の高性能SSVEP BCIスペルは、システム適応のために、新しいユーザごとに、初期的かつタイリングされたユーザ固有のトレーニングを必要とする。 実用性を確保するため,深層ニューラルネットワーク(DNN)のアンサンブルに基づく,高度に新しいターゲット同定手法を提案する。 我々は、すでに存在する文献データセットを利用して、以前に行われた脳波実験の参加者から、まずグローバルターゲット識別子DNNを訓練する。 我々は、この微調整されたDNNのアンサンブルを新しいユーザインスタンスに転送し、参加者の統計的類似性に応じて最も代表的なDNNkを判定し、重み付けされた組み合わせによってターゲットキャラクタを予測する。
  論文  参考訳（メタデータ） (2022-09-03T23:24:47Z)
• Robust Continual Test-time Adaptation: Instance-aware BN and Prediction-balanced Memory [58.72445309519892]
  テストデータストリーム以外のデータストリームに対して堅牢な新しいテスト時間適応方式を提案する。 a)分布外サンプルの正規化を修正するIABN(Instance-Aware Batch Normalization)と、(b)クラスバランスのない方法で非i.d.ストリームからのデータストリームをシミュレートするPBRS(Predict- Balanced Reservoir Sampling)である。
  論文  参考訳（メタデータ） (2022-08-10T03:05:46Z)
• DLTTA: Dynamic Learning Rate for Test-time Adaptation on Cross-domain Medical Images [56.72015587067494]
  DLTTAと呼ばれるテスト時間適応のための新しい動的学習率調整法を提案する。 本手法は,現在最先端のテスト時間適応法よりも一貫した性能向上を図り,有効かつ高速なテスト時間適応を実現する。
  論文  参考訳（メタデータ） (2022-05-27T02:34:32Z)
• 2021 BEETL Competition: Advancing Transfer Learning for Subject Independence & Heterogenous EEG Data Sets [89.84774119537087]
  我々は、診断とBCI(Brain-Computer-Interface)に関する2つの伝達学習課題を設計する。 第1タスクは、患者全体にわたる自動睡眠ステージアノテーションに対処する医療診断に重点を置いている。 タスク2はBrain-Computer Interface (BCI)に集中しており、被験者とデータセットの両方にわたる運動画像のデコードに対処する。
  論文  参考訳（メタデータ） (2022-02-14T12:12:20Z)
• Confidence-Aware Subject-to-Subject Transfer Learning for Brain-Computer Interface [3.2550305883611244]
  脳波(EEG)のイントラオブジェクト間変動は脳-コンピュータインターフェース(BCI)の実用化を困難にしている。 TLトレーニングのための高信頼度対象のみを用いたBCIフレームワークを提案する。 本フレームワークでは,低損失トリックに基づく協調学習アルゴリズムを用いて,TLプロセスの有用な対象を選択し,ノイズのある対象を除外する。
  論文  参考訳（メタデータ） (2021-12-15T15:23:23Z)
• Improving the performance of EEG decoding using anchored-STFT in conjunction with gradient norm adversarial augmentation [0.22835610890984162]
  EEG信号は空間分解能が低く、しばしばノイズやアーティファクトで歪められる。 ディープラーニングアルゴリズムは、隠れた意味のあるパターンを学習するのに非常に効率的であることが証明されている。 本研究では,新しい深層学習モデルと組み合わせた入力生成(機能抽出)手法を提案する。
  論文  参考訳（メタデータ） (2020-11-30T11:18:06Z)
• Transfer Learning for Motor Imagery Based Brain-Computer Interfaces: A Complete Pipeline [54.73337667795997]
  移動学習(TL)は、新しい被験者の校正作業を減らすために、運動画像(MI)ベースの脳-コンピュータインタフェース(BCI)に広く用いられている。 本稿では,MIベースのBCIの3つのコンポーネント(空間フィルタリング,特徴工学,分類)すべてにおいてTLが考慮できることを示す。
  論文  参考訳（メタデータ） (2020-07-03T23:44:21Z)
• Transfer Learning for EEG-Based Brain-Computer Interfaces: A Review of Progress Made Since 2016 [35.68916211292525]
  脳コンピュータインタフェース(BCI)は、脳信号を用いてコンピュータと直接通信することができる。 EEGはノイズ/アーティファクトに敏感で、オブジェクト間/オブジェクト間非定常性に悩まされる。 脳波に基づくBCIシステムでは,様々な被験者に最適なパターン認識モデルを構築することは困難である。
  論文  参考訳（メタデータ） (2020-04-13T16:44:55Z)

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。