論文の概要: Spatio-Temporal Progressive Attention Model for EEG Classification in Rapid Serial Visual Presentation Task

• arxiv url: http://arxiv.org/abs/2502.00730v1
• Date: Sun, 02 Feb 2025 09:28:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-05 14:59:38.317922
• Title: Spatio-Temporal Progressive Attention Model for EEG Classification in Rapid Serial Visual Presentation Task
• Title（参考訳）: 即時的視覚提示課題における脳波分類のための時空間進行注意モデル
• Authors: Yang Li, Wei Liu, Tianzhi Feng, Fu Li, Chennan Wu, Boxun Fu, Zhifu Zhao, Xiaotian Wang, Guangming Shi,
• Abstract要約: 本稿では,脳波の分類を改善するための新しいプログレッシブ・アテンション・モデル(STPAM)を提案する。 その結果,我々のAMは比較したすべての手法よりも優れた性能が得られることがわかった。
• 参考スコア（独自算出の注目度）: 38.949309627200904
• License:
• Abstract: As a type of multi-dimensional sequential data, the spatial and temporal dependencies of electroencephalogram (EEG) signals should be further investigated. Thus, in this paper, we propose a novel spatial-temporal progressive attention model (STPAM) to improve EEG classification in rapid serial visual presentation (RSVP) tasks. STPAM first adopts three distinct spatial experts to learn the spatial topological information of brain regions progressively, which is used to minimize the interference of irrelevant brain regions. Concretely, the former expert filters out EEG electrodes in the relative brain regions to be used as prior knowledge for the next expert, ensuring that the subsequent experts gradually focus their attention on information from significant EEG electrodes. This process strengthens the effect of the important brain regions. Then, based on the above-obtained feature sequence with spatial information, three temporal experts are adopted to capture the temporal dependence by progressively assigning attention to the crucial EEG slices. Except for the above EEG classification method, in this paper, we build a novel Infrared RSVP EEG Dataset (IRED) which is based on dim infrared images with small targets for the first time, and conduct extensive experiments on it. The results show that our STPAM can achieve better performance than all the compared methods.
• Abstract（参考訳）: 多次元連続データの一種として、脳波(EEG)信号の空間的および時間的依存性について検討する必要がある。 そこで本研究では,脳波の分類を改善するために,新しい時空間プログレッシブ・アテンション・アテンション・モデル(STPAM)を提案する。 STPAMは、まず3つの異なる空間の専門家を採用して、無関係な脳領域の干渉を最小限に抑えるために、徐々に脳領域の空間的位相情報を学習する。 具体的には、前者の専門家は、次の専門家の事前知識として使用する脳波電極をフィルターし、その後の専門家が徐々に重要な脳波電極の情報に注意を集中するようにしている。 このプロセスは重要な脳領域の効果を強化する。 そして、上記の空間情報を含む特徴系列に基づいて、重要な脳波スライスに徐々に注意を向けることで、時間的依存を捉えるために3つの時間的専門家を採用する。 上記の脳波分類法を除くと、我々は初めて小さなターゲットを持つ薄暗い赤外線画像に基づく新しい赤外線RSVP脳波データセット(IRED)を構築し、その上で広範囲な実験を行う。 その結果,STPAMは比較したすべての手法よりも優れた性能が得られることがわかった。

関連論文リスト

• CognitionCapturer: Decoding Visual Stimuli From Human EEG Signal With Multimodal Information [61.1904164368732]
  脳波信号の表現にマルチモーダルデータを完全に活用する統合フレームワークであるCognitionCapturerを提案する。 具体的には、CognitionCapturerは、各モダリティに対してモダリティエキスパートを訓練し、EEGモダリティからモダリティ情報を抽出する。 このフレームワークは生成モデルの微調整を一切必要とせず、より多くのモダリティを組み込むように拡張することができる。
  論文  参考訳（メタデータ） (2024-12-13T16:27:54Z)
• Feature Estimation of Global Language Processing in EEG Using Attention Maps [5.173821279121835]
  本研究は,脳波の特徴推定に新たなアプローチを導入し,深層学習モデルの重みを利用してその関連を探索する。 視覚変換器とEEGNetから生成したアテンションマップは,従来の研究結果と一致した特徴を効果的に同定できることを実証する。 ViTsを用いたMel-Spectrogramの適用により、時間および周波数関連脳波特性の分解能が向上する。
  論文  参考訳（メタデータ） (2024-09-27T22:52:31Z)
• REST: Efficient and Accelerated EEG Seizure Analysis through Residual State Updates [54.96885726053036]
  本稿では,リアルタイム脳波信号解析のための新しいグラフベース残状態更新機構(REST)を提案する。 グラフニューラルネットワークとリカレント構造の組み合わせを活用することで、RESTは、非ユークリッド幾何学とEEGデータ内の時間的依存関係の両方を効率的にキャプチャする。 本モデルは,発作検出と分類作業において高い精度を示す。
  論文  参考訳（メタデータ） (2024-06-03T16:30:19Z)
• Balancing Spectral, Temporal and Spatial Information for EEG-based Alzheimer's Disease Classification [9.095745556414588]
  我々は,AD分類における各次元の比率を変化させることで,スペクトル情報や時間情報に対する空間情報の重要度を検討する。 その結果,空間情報は時間情報よりも重要であり,スペクトル情報として等しく有用であることがわかった。
  論文  参考訳（メタデータ） (2024-02-21T04:36:30Z)
• 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)
• fMRI from EEG is only Deep Learning away: the use of interpretable DL to unravel EEG-fMRI relationships [68.8204255655161]
  多チャンネル脳波データからいくつかの皮質下領域の活性を回復するための解釈可能な領域基底解を提案する。 我々は,皮質下核の血行動態信号の頭皮脳波予測の空間的・時間的パターンを復元する。
  論文  参考訳（メタデータ） (2022-10-23T15:11:37Z)
• A Deep Learning Approach for the Segmentation of Electroencephalography Data in Eye Tracking Applications [56.458448869572294]
  脳波データの時系列セグメンテーションのための新しいフレームワークDETRtimeを紹介する。 エンドツーエンドのディープラーニングベースのフレームワークは、コンピュータビジョンの進歩を前面に立たせています。 我々のモデルは脳波睡眠ステージセグメンテーションのタスクにおいてよく一般化される。
  論文  参考訳（メタデータ） (2022-06-17T10:17:24Z)
• Multi-Tier Platform for Cognizing Massive Electroencephalogram [6.100405014798822]
  エンド・ツー・エンドのプラットフォームは、脳の活動の正確な認識のために構築されている。 スパイキングニューラルネットワーク(SNN)ベースの層は、稀な特徴からスパイクストリームの観点から原理情報を抽出するように設計されている。 提案したティア3は、SNNからスパイクパターンの時間領域と空間領域を変換し、変換されたパターン行列を人工ニューラルネットワーク(ANN, Transformer特に)に供給する。
  論文  参考訳（メタデータ） (2022-04-21T01:27:58Z)
• Spatio-Temporal Analysis of Transformer based Architecture for Attention Estimation from EEG [2.7076510056452654]
  脳波信号から特定のタスクに与えられた注意状態、すなわち注意度を復元できる新しいフレームワークを提案する。 従来は電極による脳波の空間的関係をよく検討していたが, トランスフォーマネットワークを用いた空間的・時間的情報の利用も提案する。 提案したネットワークは、2つの公開データセットでトレーニングされ、検証され、最先端のモデルよりも高い結果が得られる。
  論文  参考訳（メタデータ） (2022-04-04T08:05:33Z)
• SFE-Net: EEG-based Emotion Recognition with Symmetrical Spatial Feature Extraction [1.8047694351309205]
  脳波の特徴抽出と感情認識のための空間的折り畳みアンサンブルネットワーク(SFENet)を提案する。 ヒト脳の空間対称性のメカニズムによって、入力された脳波チャンネルデータを5つの異なる対称戦略で折り畳む。 このネットワークにより、異なる対称折り畳み記号の空間的特徴を同時に抽出することができ、特徴認識の堅牢性と精度を大幅に向上させる。
  論文  参考訳（メタデータ） (2021-04-09T12:59:38Z)

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。