論文の概要: Spatial Distillation based Distribution Alignment (SDDA) for Cross-Headset EEG Classification

• arxiv url: http://arxiv.org/abs/2503.05349v1
• Date: Fri, 07 Mar 2025 11:44:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-10 12:23:00.703642
• Title: Spatial Distillation based Distribution Alignment (SDDA) for Cross-Headset EEG Classification
• Title（参考訳）: 空間蒸留による多層脳波分類のための分布アライメント(SDDA)
• Authors: Dingkun Liu, Siyang Li, Ziwei Wang, Wei Li, Dongrui Wu,
• Abstract要約: 非侵襲的脳-コンピュータインタフェース(BCI)は、ユーザと外部デバイス間の直接のインタラクションを可能にする。 異なるヘッドセット間で脳波信号を復号することは、電極の数と位置が異なるため、依然として大きな課題である。 ヘテロジニアス・クロスヘッド・トランスファーのための空間蒸留に基づく分布アライメント手法を提案する。
• 参考スコア（独自算出の注目度）: 19.827001551637743
• License:
• Abstract: A non-invasive brain-computer interface (BCI) enables direct interaction between the user and external devices, typically via electroencephalogram (EEG) signals. However, decoding EEG signals across different headsets remains a significant challenge due to differences in the number and locations of the electrodes. To address this challenge, we propose a spatial distillation based distribution alignment (SDDA) approach for heterogeneous cross-headset transfer in non-invasive BCIs. SDDA uses first spatial distillation to make use of the full set of electrodes, and then input/feature/output space distribution alignments to cope with the significant differences between the source and target domains. To our knowledge, this is the first work to use knowledge distillation in cross-headset transfers. Extensive experiments on six EEG datasets from two BCI paradigms demonstrated that SDDA achieved superior performance in both offline unsupervised domain adaptation and online supervised domain adaptation scenarios, consistently outperforming 10 classical and state-of-the-art transfer learning algorithms.
• Abstract（参考訳）: 非侵襲的脳-コンピュータインタフェース(BCI)は、通常脳波(EEG)信号を介して、ユーザーと外部機器の直接的な相互作用を可能にする。 しかし、電極の数と位置が異なるため、異なるヘッドセット間で脳波信号を復号することは大きな課題である。 この課題に対処するために、非侵襲BCIにおける異種クロスヘッド転送のための空間蒸留に基づく分散アライメント(SDDA)手法を提案する。 SDDAは、電極の完全なセットを利用するために最初の空間蒸留を使用し、入力/フィーチャー/出力空間分布アライメントを使用して、ソースとターゲットドメイン間の大きな差異に対処する。 我々の知る限り、これはクロスヘッド・トランスファーにおける知識蒸留を使った最初の研究である。 2つのBCIパラダイムによる6つのEEGデータセットの大規模な実験により、SDDAはオフラインの教師なしドメイン適応とオンラインの教師なしドメイン適応シナリオの両方において優れたパフォーマンスを達成し、10の古典的および最先端のトランスファー学習アルゴリズムを一貫して上回った。

関連論文リスト

• UAV Virtual Antenna Array Deployment for Uplink Interference Mitigation in Data Collection Networks [71.23793087286703]
  無人航空機(UAV)は、航空無線ネットワークと通信を確立するためのプラットフォームとして注目されている。 本稿では,複数UAVネットワークシステムにおける協調ビームフォーミング(CB)法に基づく新しいアップリンク干渉緩和手法を提案する。
  論文  参考訳（メタデータ） (2024-12-09T12:56:50Z)
• Dual-TSST: A Dual-Branch Temporal-Spectral-Spatial Transformer Model for EEG Decoding [2.0721229324537833]
  デュアルブランチ時間スペクトル空間変換器(Dual-TSST)を用いた新しいデコードアーキテクチャネットワークを提案する。 提案するDual-TSSTは様々なタスクにおいて優れており,平均精度80.67%の脳波分類性能が期待できる。 本研究は,高性能脳波デコーディングへの新たなアプローチを提供するとともに,将来のCNN-Transformerベースのアプリケーションにも大きな可能性を秘めている。
  論文  参考訳（メタデータ） (2024-09-05T05:08:43Z)
• 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)
• 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)
• Semi-Supervised Dual-Stream Self-Attentive Adversarial Graph Contrastive Learning for Cross-Subject EEG-based Emotion Recognition [19.578050094283313]
  DS-AGCフレームワークは、クロスオブジェクト脳波に基づく感情認識において、限定ラベル付きデータの課題に取り組むために提案されている。 提案手法は,不完全ラベル条件の異なる既存手法よりも優れている。
  論文  参考訳（メタデータ） (2023-08-13T23:54:40Z)
• Cross-Database and Cross-Channel ECG Arrhythmia Heartbeat Classification Based on Unsupervised Domain Adaptation [0.0]
  ドメイン間の特徴差の最適化に基づくドメイン適応型ディープネットワークを提案する。 本手法は,事前学習,クラスタ中心計算,適応の3段階からなる。 提案手法は, 異所性ビート検出における他の最先端手法と比較して, 優れた性能を実現する。
  論文  参考訳（メタデータ） (2023-06-07T13:46:49Z)
• Frequency Spectrum Augmentation Consistency for Domain Adaptive Object Detection [107.52026281057343]
  周波数スペクトル拡張整合(FSAC)フレームワークを4種類の低周波フィルタで構成する。 最初の段階では、オリジナルおよび拡張されたソースデータを全て利用して、オブジェクト検出器を訓練する。 第2段階では、予測一貫性のための自己学習を行うために、擬似ラベル付き拡張現実とターゲットデータを採用する。
  論文  参考訳（メタデータ） (2021-12-16T04:07:01Z)
• Robust learning from corrupted EEG with dynamic spatial filtering [68.82260713085522]
  実験室の外で記録されたEEGを使用して機械学習モデルを構築するには、ノイズの多いデータとランダムに欠落するチャネルにロバストな方法が必要である。 ニューラルネットワークの第1層の前に挿入可能なマルチヘッドアテンションモジュールである動的空間フィルタリング(DSF)を提案する。 筆者らは, チャネル汚損を模擬した4000件の録音を含む公開脳波データと, 自然汚損をともなう移動脳波の自家記録100件のプライベートデータセットを用いて, DSFを試験した。
  論文  参考訳（メタデータ） (2021-05-27T02:33:16Z)
• 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)
• Learning from Heterogeneous EEG Signals with Differentiable Channel Reordering [51.633889765162685]
  CHARMは、一貫性のない入力チャネルをまたいだ単一のニューラルネットワークのトレーニング方法である。 我々は4つの脳波分類データセットの実験を行い、CHARMの有効性を実証した。
  論文  参考訳（メタデータ） (2020-10-21T12:32:34Z)

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。