論文の概要: Revisiting Euclidean Alignment for Transfer Learning in EEG-Based Brain-Computer Interfaces

• arxiv url: http://arxiv.org/abs/2502.09203v1
• Date: Thu, 13 Feb 2025 11:43:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-14 13:47:27.759018
• Title: Revisiting Euclidean Alignment for Transfer Learning in EEG-Based Brain-Computer Interfaces
• Title（参考訳）: 脳波を用いた脳-コンピュータインタフェースにおける伝達学習のためのユークリッドアライメントの再検討
• Authors: Dongrui Wu,
• Abstract要約: 伝達学習(TL)は脳波ベースの脳-コンピュータインタフェースの校正を高速化するために広く用いられている。 この課題に対処するため、2020年にエレクトロニックアライメント(EA)が提案された。 本稿では、EAの手順と正しい使用法を導入し、新たな研究の方向性を指摘し、EAを再考する。
• 参考スコア（独自算出の注目度）: 18.870033864947377
• License:
• Abstract: Due to the non-stationarity and large individual differences of EEG signals, EEG-based brain-computer interfaces (BCIs) usually need subject-specific calibration to tailor the decoding algorithm for each new subject, which is time-consuming and user-unfriendly, hindering their real-world applications. Transfer learning (TL) has been extensively used to expedite the calibration, by making use of EEG data from other subjects/sessions. An important consideration in TL for EEG-based BCIs is to reduce the data distribution discrepancies among different subjects/session, to avoid negative transfer. Euclidean alignment (EA) was proposed in 2020 to address this challenge. Numerous experiments from 10 different BCI paradigms demonstrated its effectiveness and efficiency. This paper revisits the EA, explaining its procedure and correct usage, introducing its applications and extensions, and pointing out potential new research directions. It should be very helpful to BCI researchers, especially those who are working on EEG signal decoding.
• Abstract（参考訳）: 脳波信号の非定常性と大きな個人差のため、脳波ベースの脳-コンピュータインタフェース(BCI)は、通常、新しい主題ごとにデコードアルゴリズムを調整するために、主題固有のキャリブレーションを必要とする。 伝達学習(TL)は、他の科目/セッションからの脳波データを活用することにより、校正の迅速化に広く利用されている。 脳波に基づくBCIのTLにおいて重要な考慮事項は、異なる主題/セッション間のデータ分散の相違を減らし、負の転送を避けることである。 この課題に対処するため、2020年にユークリッドアライメント(EA)が提案された。 10の異なるBCIパラダイムによる多数の実験が、その有効性と効率を実証した。 本稿では、EAの手順と正しい使用法を説明し、応用と拡張を導入し、新たな研究の方向性を指摘する。 これはBCI研究者、特に脳波信号復号に取り組んでいる研究者にとって非常に役立つだろう。

関連論文リスト

• CEReBrO: Compact Encoder for Representations of Brain Oscillations Using Efficient Alternating Attention [53.539020807256904]
  交互注意(CEReBrO)を用いた脳振動の表現のための圧縮法について紹介する。 トークン化方式は、チャネルごとのパッチで脳波信号を表現します。 本研究では,チャネル内時間的ダイナミックスとチャネル間空間的相関を共同でモデル化し,通常の自己アテンションに比べて6倍少ないメモリで2倍の速度向上を実現するための注意機構を提案する。
  論文  参考訳（メタデータ） (2025-01-18T21:44:38Z)
• T-TIME: Test-Time Information Maximization Ensemble for Plug-and-Play BCIs [18.380128552474854]
  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。
  論文  参考訳（メタデータ） (2024-12-10T06:32:17Z)
• 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)
• Enhancing EEG-to-Text Decoding through Transferable Representations from Pre-trained Contrastive EEG-Text Masked Autoencoder [69.7813498468116]
  コントラスト型脳波テキストマスケード自動エンコーダ(CET-MAE)を提案する。 また、E2T-PTR(Pretrained Transferable Representationsを用いたEEG-to-Text decoding)と呼ばれるフレームワークを開発し、EEGシーケンスからテキストをデコードする。
  論文  参考訳（メタデータ） (2024-02-27T11:45:21Z)
• LGL-BCI: A Lightweight Geometric Learning Framework for Motor Imagery-Based Brain-Computer Interfaces [14.913592381049552]
  Brain-Computer Interfaces (BCI) は、脳信号を使って外部デバイスと対話する基盤技術である。 EEGベースの運動画像(MI)タスクは振幅や位相変動、複雑な空間相関といった課題に直面している。 本研究では,非ユークリッド距離空間における脳波処理にGeometric Deep Learning Frameworkを用いたLGL-BCIフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-10-12T05:52:54Z)
• 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)
• 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)
• 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)
• EEG-based Brain-Computer Interfaces (BCIs): A Survey of Recent Studies on Signal Sensing Technologies and Computational Intelligence Approaches and their Applications [65.32004302942218]
  Brain-Computer Interface (BCI) はユーザとシステム間の強力なコミュニケーションツールである。 近年の技術進歩は、脳波(EEG)に基づく翻訳医療用BCIへの関心が高まっている。
  論文  参考訳（メタデータ） (2020-01-28T10:36:26Z)

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。