Fugu-MT 論文翻訳(概要): Emotional EEG Classification using Upscaled Connectivity Matrices

論文の概要: Emotional EEG Classification using Upscaled Connectivity Matrices

arxiv url: http://arxiv.org/abs/2502.07843v1
Date: Tue, 11 Feb 2025 07:56:19 GMT
ステータス: 翻訳完了
システム内更新日: 2025-02-13 13:47:49.115972
Title: Emotional EEG Classification using Upscaled Connectivity Matrices
Title（参考訳）: 拡張接続性行列を用いた感情脳波の分類
Authors: Chae-Won Lee, Jong-Seok Lee,
Abstract要約: ローカルパターンを強化するために,接続行列をスケールアップするアイデアを提案し,検証する。実験により、この単純なアイデアは分類性能を著しく向上させることができることが示された。
参考スコア（独自算出の注目度）: 18.277112916465327
License:
Abstract: In recent studies of emotional EEG classification, connectivity matrices have been successfully employed as input to convolutional neural networks (CNNs), which can effectively consider inter-regional interaction patterns in EEG. However, we find that such an approach has a limitation that important patterns in connectivity matrices may be lost during the convolutional operations in CNNs. To resolve this issue, we propose and validate an idea to upscale the connectivity matrices to strengthen the local patterns. Experimental results demonstrate that this simple idea can significantly enhance the classification performance.
Abstract（参考訳）: 感情脳波分類の最近の研究では、脳波の領域間相互作用パターンを効果的に考慮できる畳み込みニューラルネットワーク(CNN)への入力として接続行列がうまく採用されている。しかし,このような手法では,CNNにおける畳み込み操作において接続行列の重要なパターンが失われる可能性がある。この問題を解決するために,ローカルパターンを強化するために,接続行列をスケールアップするアイデアを提案し,検証する。実験により、この単純なアイデアは分類性能を著しく向上させることができることが示された。

関連論文リスト

EEG-DCNet: A Fast and Accurate MI-EEG Dilated CNN Classification Method [10.791605945979995]
EEG-Dilated Convolution Network (DCNet) と呼ばれる新しいマルチスケールアラス畳み込みニューラルネットワーク(CNN)モデルを提案する。我々は1時間1ドルの畳み込み層を組み込み、EEG-DCNetのマルチブランチ並列アラス畳み込みアーキテクチャを利用する。本稿では,EEG-DCNetが既存のSOTA(State-of-the-art)アプローチよりも,分類精度とKappaスコアの点で優れていることを示す。
論文参考訳（メタデータ） (2024-11-12T09:47:50Z)
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)
EEG-BBNet: a Hybrid Framework for Brain Biometric using Graph Connectivity [1.1498015270151059]
我々は、畳み込みニューラルネットワーク(CNN)とグラフ畳み込みニューラルネットワーク(GCNN)を統合するハイブリッドネットワークであるEEG-BBNetを提案する。我々のモデルは、イベント関連電位(ERP)タスクにおけるすべてのベースラインを、セッション内データを用いて平均99.26%の正確な認識率で上回ります。
論文参考訳（メタデータ） (2022-08-17T10:18:22Z)
Entity-Graph Enhanced Cross-Modal Pretraining for Instance-level Product Retrieval [152.3504607706575]
本研究の目的は, 細粒度製品カテゴリを対象とした, 弱制御型マルチモーダル・インスタンスレベルの製品検索である。まず、Product1Mデータセットをコントリビュートし、2つの実際のインスタンスレベルの検索タスクを定義します。我々は、マルチモーダルデータから重要な概念情報を組み込むことができるより効果的なクロスモーダルモデルを訓練するために活用する。
論文参考訳（メタデータ） (2022-06-17T15:40:45Z)
Interpolation-based Correlation Reduction Network for Semi-Supervised Graph Learning [49.94816548023729]
補間型相関低減ネットワーク(ICRN)と呼ばれる新しいグラフコントラスト学習手法を提案する。提案手法では,決定境界のマージンを大きくすることで,潜在特徴の識別能力を向上させる。この2つの設定を組み合わせることで、豊富なラベル付きノードと稀に価値あるラベル付きノードから豊富な監視情報を抽出し、離散表現学習を行う。
論文参考訳（メタデータ） (2022-06-06T14:26:34Z)
Deep Architecture Connectivity Matters for Its Convergence: A Fine-Grained Analysis [94.64007376939735]
我々は、勾配降下訓練におけるディープニューラルネットワーク(DNN)の収束に対する接続パターンの影響を理論的に特徴づける。接続パターンの単純なフィルタリングによって、評価対象のモデルの数を削減できることが示される。
論文参考訳（メタデータ） (2022-05-11T17:43:54Z)
Semantic Correspondence with Transformers [68.37049687360705]
本稿では,変換器を用いたコストアグリゲーション(CAT)を提案し,意味論的に類似した画像間の密接な対応を見出す。初期相関マップと多レベルアグリゲーションを曖昧にするための外観親和性モデリングを含む。提案手法の有効性を示す実験を行い,広範囲にわたるアブレーション研究を行った。
論文参考訳（メタデータ） (2021-06-04T14:39:03Z)
CNN-based Approaches For Cross-Subject Classification in Motor Imagery: From The State-of-The-Art to DynamicNet [0.2936007114555107]
運動画像(MI)ベースの脳-コンピュータインタフェース(BCI)システムは、コミュニケーションと制御の代替手段を提供するためにますます採用されています。信頼できるBCIシステムを得るには、脳信号からMIを正確に分類することが不可欠です。ディープラーニングアプローチは、標準的な機械学習技術の有効な代替手段として現れ始めている。
論文参考訳（メタデータ） (2021-05-17T14:57:13Z)
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)
On Connections between Regularizations for Improving DNN Robustness [67.28077776415724]
本稿では,ディープニューラルネットワーク(DNN)の対角的ロバスト性を改善するために最近提案された正規化条件を解析する。入力勾配正則化,ジャコビアン正則化,曲率正則化,クロスリプシッツ関数など,いくつかの有効な方法間の接続性について検討する。
論文参考訳（メタデータ） (2020-07-04T23:43:32Z)

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。