Fugu-MT 論文翻訳(概要): EEG-EyeTrack: A Benchmark for Time Series and Functional Data Analysis with Open Challenges and Baselines

論文の概要: EEG-EyeTrack: A Benchmark for Time Series and Functional Data Analysis with Open Challenges and Baselines

arxiv url: http://arxiv.org/abs/2504.03760v1
Date: Wed, 02 Apr 2025 08:33:38 GMT
ステータス: 翻訳完了
システム内更新日: 2025-04-08 14:13:42.304450
Title: EEG-EyeTrack: A Benchmark for Time Series and Functional Data Analysis with Open Challenges and Baselines
Title（参考訳）: EEG-EyeTrack: オープンチャレンジとベースラインによる時系列と関数データ分析のためのベンチマーク
Authors: Tiago Vasconcelos Afonso, Florian Heinrichs,
Abstract要約: まず、FDAアプリケーションに適したオープンな課題と評価指標が提案されている。機能的ニューラルネットワークは、一次回帰タスクのベースライン結果を確立するために使用される。コンシューマグレードのハードウェアに基づく新しいデータセットと、リサーチグレードのハードウェアに基づくEEGEyeNetデータセットのベースライン結果が報告されている。
参考スコア（独自算出の注目度）: 0.0
License:
Abstract: A new benchmark dataset for functional data analysis (FDA) is presented, focusing on the reconstruction of eye movements from EEG data. The contribution is twofold: first, open challenges and evaluation metrics tailored to FDA applications are proposed. Second, functional neural networks are used to establish baseline results for the primary regression task of reconstructing eye movements from EEG signals. Baseline results are reported for the new dataset, based on consumer-grade hardware, and the EEGEyeNet dataset, based on research-grade hardware.
Abstract（参考訳）: 脳波データから眼球運動を再構築することに焦点を当てた、機能的データ分析のための新しいベンチマークデータセット(FDA)が提示された。まず、FDAアプリケーションに適したオープンな課題と評価指標が提案されている。第二に、脳波信号から眼球運動を再構成する一次回帰タスクのベースライン結果を確立するために、機能的ニューラルネットワークが用いられる。コンシューマグレードのハードウェアに基づく新しいデータセットと、リサーチグレードのハードウェアに基づくEEGEyeNetデータセットのベースライン結果が報告されている。

関連論文リスト

GEFM: Graph-Enhanced EEG Foundation Model [16.335330142000657]
ファンデーションモデルは、事前トレーニングを通じて大規模なラベルなしデータを活用することで、有望なソリューションを提供する。本稿では,時間情報とチャネル間情報を統合した新しい脳波基盤モデルであるグラフ拡張脳波基礎モデル(GEFM)を提案する。我々のアーキテクチャはグラフニューラルネットワーク(GNN)とマスク付きオートエンコーダを組み合わせることで,効率的な事前学習を実現する。
論文参考訳（メタデータ） (2024-11-29T06:57:50Z)
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)
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)
Challenging the Myth of Graph Collaborative Filtering: a Reasoned and Reproducibility-driven Analysis [50.972595036856035]
本稿では,6つの人気グラフと最近のグラフ推薦モデルの結果を再現するコードを提案する。これらのグラフモデルと従来の協調フィルタリングモデルを比較する。ユーザの近所からの情報フローを調べることにより,データセット構造における内在的特徴にどのようなモデルが影響するかを同定することを目的とする。
論文参考訳（メタデータ） (2023-08-01T09:31:44Z)
DataPerf: Benchmarks for Data-Centric AI Development [81.03754002516862]
DataPerfは、MLデータセットとデータ中心アルゴリズムを評価するための、コミュニティ主導のベンチマークスイートである。私たちは、この反復的な開発をサポートするために、複数の課題を抱えたオープンなオンラインプラットフォームを提供しています。ベンチマーク、オンライン評価プラットフォーム、ベースライン実装はオープンソースである。
論文参考訳（メタデータ） (2022-07-20T17:47:54Z)
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)
EEGEyeNet: a Simultaneous Electroencephalography and Eye-tracking Dataset and Benchmark for Eye Movement Prediction [5.10183147987411]
脳活動と眼球運動の交差に関する研究を進めることを目的とした新しいデータセットを提案する。 EEGEyeNetは、356人の被験者から同時脳波(EEG)と眼球追跡(ET)を同時に記録する。また,脳波計測から視線予測を評価するためのベンチマークも提案する。
論文参考訳（メタデータ） (2021-11-06T15:41:27Z)
Towards Open-World Feature Extrapolation: An Inductive Graph Learning Approach [80.8446673089281]
グラフ表現と学習を伴う新しい学習パラダイムを提案する。本フレームワークは,1) 下位モデルとしてのバックボーンネットワーク(フィードフォワードニューラルネットなど)が,予測ラベルの入力および出力として機能を取り,2) 上位モデルとしてのグラフニューラルネットワークが,観測データから構築された特徴データグラフをメッセージパッシングすることで,新機能の埋め込みを外挿することを学ぶ。
論文参考訳（メタデータ） (2021-10-09T09:02:45Z)
Subject Independent Emotion Recognition using EEG Signals Employing Attention Driven Neural Networks [2.76240219662896]
主観非依存の感情認識が可能な新しいディープラーニングフレームワークを提案する。タスクを実行するために、アテンションフレームワークを備えた畳み込みニューラルネットワーク(CNN)を提示する。提案手法は、公開データセットを使用して検証されている。
論文参考訳（メタデータ） (2021-06-07T09:41:15Z)
ScalingNet: extracting features from raw EEG data for emotion recognition [4.047737925426405]
生の脳波信号から効果的なデータ駆動スペクトログラムのような特徴を適応的に抽出できる新しい畳み込み層を提案する。スケーリング層に基づくニューラルネットワークアーキテクチャであるScalingNetは、確立されたDEAPベンチマークデータセット全体で最先端の結果を達成した。
論文参考訳（メタデータ） (2021-02-07T08:54:27Z)

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。