論文の概要: Exact Fit Attention in Node-Holistic Graph Convolutional Network for Improved EEG-Based Driver Fatigue Detection

• arxiv url: http://arxiv.org/abs/2501.15062v1
• Date: Sat, 25 Jan 2025 03:46:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-28 13:55:36.704565
• Title: Exact Fit Attention in Node-Holistic Graph Convolutional Network for Improved EEG-Based Driver Fatigue Detection
• Title（参考訳）: ノードホリスティックグラフ畳み込みネットワークにおけるエクササイズ注意による脳波駆動疲労検出
• Authors: Meiyan Xu, Qingqing Chen, Duo Chen, Yi Ding, Jingyuan Wang, Peipei Gu, Yijie Pan, Deshuang Huang, Xun Zhang, Jiayang Guo,
• Abstract要約: 脳波に基づく疲労モニタリングは、関連する交通事故の発生を効果的に減少させる。 データの非ユークリッド特性のため、既存のCNNはEEG、特にチャネル相関から重要な空間情報を失う可能性がある。 本稿では,各チャネルの特徴を動的に学習するために,グラフ畳み込みを用いたノード完全性グラフ畳み込みネットワーク(NHGNet)を提案する。
• 参考スコア（独自算出の注目度）: 17.4184523526021
• License:
• Abstract: EEG-based fatigue monitoring can effectively reduce the incidence of related traffic accidents. In the past decade, with the advancement of deep learning, convolutional neural networks (CNN) have been increasingly used for EEG signal processing. However, due to the data's non-Euclidean characteristics, existing CNNs may lose important spatial information from EEG, specifically channel correlation. Thus, we propose the node-holistic graph convolutional network (NHGNet), a model that uses graphic convolution to dynamically learn each channel's features. With exact fit attention optimization, the network captures inter-channel correlations through a trainable adjacency matrix. The interpretability is enhanced by revealing critical areas of brain activity and their interrelations in various mental states. In validations on two public datasets, NHGNet outperforms the SOTAs. Specifically, in the intra-subject, NHGNet improved detection accuracy by at least 2.34% and 3.42%, and in the inter-subjects, it improved by at least 2.09% and 15.06%. Visualization research on the model revealed that the central parietal area plays an important role in detecting fatigue levels, whereas the frontal and temporal lobes are essential for maintaining vigilance.
• Abstract（参考訳）: 脳波に基づく疲労モニタリングは、関連する交通事故の発生を効果的に減少させる。 過去10年間で、ディープラーニングの進歩に伴い、脳波信号処理に畳み込みニューラルネットワーク(CNN)がますます使われている。 しかし、データの非ユークリッド特性のため、既存のCNNはEEG、特にチャネル相関から重要な空間情報を失う可能性がある。 そこで我々は,グラフ畳み込みを用いて各チャネルの特徴を動的に学習するノード完全性グラフ畳み込みネットワーク (NHGNet) を提案する。 正確な適合注意最適化により、ネットワークはトレーニング可能な隣接行列を介してチャネル間相関をキャプチャする。 この解釈性は、様々な精神状態において、脳活動の重要な領域とそれらの相互関係を明らかにすることによって強化される。 2つの公開データセットの検証では、NHGNetはSOTAを上回っている。 具体的には、サブジェクト内において、NHGNetは検出精度を少なくとも2.34%と3.42%改善し、サブジェクト間では少なくとも2.09%と15.06%改善した。 前頭葉と側頭葉は警戒維持に不可欠であるのに対し, 頭頂部は疲労レベルの検出に重要な役割を担っていることが明らかとなった。

関連論文リスト

• Advanced Financial Fraud Detection Using GNN-CL Model [13.5240775562349]
  本稿では,金融不正検出の分野において,革新的なGNN-CLモデルを提案する。 グラフニューラルネットワーク(gnn)、畳み込みニューラルネットワーク(cnn)、長期記憶(LSTM)の利点を組み合わせる。 本稿では,マルチ層パーセプトロン(MLPS)を用いてノードの類似性を推定する。
  論文  参考訳（メタデータ） (2024-07-09T03:59:06Z)
• Predicting Infant Brain Connectivity with Federated Multi-Trajectory GNNs using Scarce Data [54.55126643084341]
  既存のディープラーニングソリューションには,3つの大きな制限がある。 我々はフェデレートグラフベースの多軌道進化ネットワークであるFedGmTE-Net++を紹介する。 フェデレーションの力を利用して、限られたデータセットを持つ多種多様な病院の地域学習を集約する。
  論文  参考訳（メタデータ） (2024-01-01T10:20:01Z)
• Assessing Neural Network Representations During Training Using Noise-Resilient Diffusion Spectral Entropy [55.014926694758195]
  ニューラルネットワークにおけるエントロピーと相互情報は、学習プロセスに関する豊富な情報を提供する。 データ幾何を利用して基礎となる多様体にアクセスし、これらの情報理論測度を確実に計算する。 本研究は,高次元シミュレーションデータにおける固有次元と関係強度の耐雑音性の測定結果である。
  論文  参考訳（メタデータ） (2023-12-04T01:32:42Z)
• Optimizing Neural Network Scale for ECG Classification [1.8953148404648703]
  心電図(ECG)解析のための残留ニューラルネットワーク(ResNet)を対象とするスケーリング畳み込みニューラルネットワーク(CNN)について検討する。 本研究では,層深さ,チャネル数,コンボリューションカーネルサイズといった重要なパラメータの影響を調べることで,ResNetのスケールアップに有効な手法を探索し,実証した。 我々の発見は、計算資源が少ないか、少ない時間でより効率的で正確なモデルを得るための洞察を与えてくれる。
  論文  参考訳（メタデータ） (2023-08-24T01:26:31Z)
• EEGSN: Towards Efficient Low-latency Decoding of EEG with Graph Spiking Neural Networks [4.336065967298193]
  ほとんどのニューラルネットワーク(SNN)は、低レイテンシと電力効率を必要とするいくつかの重要なタスクに必ずしも適合しない誘導バイアスに基づいてトレーニングされている。 本稿では、分散脳波センサに存在する動的関係情報を学習する多チャンネル脳波分類(EEGS)のためのグラフスパイクニューラルアーキテクチャを提案する。 提案手法は,従来のSNNと比較して,推定計算の複雑さを20ドル程度削減し,モータ実行タスクにおいて同等の精度を達成した。
  論文  参考訳（メタデータ） (2023-04-15T23:30:17Z)
• Graph Neural Networks over the Air for Decentralized Tasks in Wireless Networks [6.007238205454907]
  本稿では,大気上のグラフニューラルネットワークの性能に及ぼすチャネル障害の影響について検討する(AirGNN)。 AirGNNは、ランダムな通信グラフ上でグラフ信号をシフトするグラフ畳み込み操作を変更し、チャネルのフェージングとノイズを考慮している。 分散型ソースローカライゼーションとマルチロボット・フロッキングの実験は、無線通信チャネル上でのAirGNNの性能に優れていた。
  論文  参考訳（メタデータ） (2023-02-16T17:40:23Z)
• Influencer Detection with Dynamic Graph Neural Networks [56.1837101824783]
  インフルエンサー検出のための動的グラフニューラルネットワーク(GNN)の構成について検討する。 GNNにおける深層多面的注意と時間特性の符号化が性能を著しく向上させることを示す。
  論文  参考訳（メタデータ） (2022-11-15T13:00:25Z)
• Gaze-Guided Class Activation Mapping: Leveraging Human Attention for Network Attention in Chest X-rays Classification [3.8637285238278434]
  本稿では,ネットワークアテンションの形成を直接制御するGG-CAM法について述べる。 GG-CAMは軽量(学習プロセスを制御するためのトレーニング可能なパラメータを3ドル追加)で、ほとんどの分類畳み込みニューラルネットワーク(CNN)に容易に適用可能なジェネリック拡張である。 比較実験により,GG-CAM拡張を用いた2つの標準CNNでは,分類性能が著しく向上することが示唆された。
  論文  参考訳（メタデータ） (2022-02-15T00:33:23Z)
• 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)
• An Uncertainty-Driven GCN Refinement Strategy for Organ Segmentation [53.425900196763756]
  本研究では,不確実性解析とグラフ畳み込みネットワークに基づくセグメンテーション改善手法を提案する。 半教師付きグラフ学習問題を定式化するために、特定の入力ボリュームにおける畳み込みネットワークの不確実性レベルを用いる。 本手法は膵臓で1%,脾臓で2%向上し,最先端のCRF改善法よりも優れていた。
  論文  参考訳（メタデータ） (2020-12-06T18:55:07Z)
• Ventral-Dorsal Neural Networks: Object Detection via Selective Attention [51.79577908317031]
  我々はVDNet(Ventral-Dorsal Networks)と呼ばれる新しいフレームワークを提案する。 人間の視覚システムの構造にインスパイアされた我々は「Ventral Network」と「Dorsal Network」の統合を提案する。 実験の結果,提案手法は最先端の物体検出手法よりも優れていることがわかった。
  論文  参考訳（メタデータ） (2020-05-15T23:57:36Z)

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。