論文の概要: mixEEG: Enhancing EEG Federated Learning for Cross-subject EEG Classification with Tailored mixup
- arxiv url: http://arxiv.org/abs/2504.07987v1
- Date: Mon, 07 Apr 2025 06:24:23 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-04-14 14:17:50.053173
- Title: mixEEG: Enhancing EEG Federated Learning for Cross-subject EEG Classification with Tailored mixup
- Title（参考訳）: mixEEG: テーラーミキシングを用いたクロスオブジェクトEEG分類のためのEEGフェデレートラーニングの促進
- Authors: Xuan-Hao Liu, Bao-Liang Lu, Wei-Long Zheng,
- Abstract要約: クロスオブジェクト脳波(EEG)分類は、認知過程の多様性と異なる被験者間の生理学的構造のために大きな課題を示す。
脳波に関連するプライバシー上の懸念は、異なる病院と機関間でのデータ共有に重大な制限を課している。
フェデレートラーニング(FL)は、複数の分散クライアントが、生データを直接通信することなく、協調的にグローバルモデルをトレーニングすることを可能にする。
- 参考スコア（独自算出の注目度）: 5.367329958716485
- License:
- Abstract: The cross-subject electroencephalography (EEG) classification exhibits great challenges due to the diversity of cognitive processes and physiological structures between different subjects. Modern EEG models are based on neural networks, demanding a large amount of data to achieve high performance and generalizability. However, privacy concerns associated with EEG pose significant limitations to data sharing between different hospitals and institutions, resulting in the lack of large dataset for most EEG tasks. Federated learning (FL) enables multiple decentralized clients to collaboratively train a global model without direct communication of raw data, thus preserving privacy. For the first time, we investigate the cross-subject EEG classification in the FL setting. In this paper, we propose a simple yet effective framework termed mixEEG. Specifically, we tailor the vanilla mixup considering the unique properties of the EEG modality. mixEEG shares the unlabeled averaged data of the unseen subject rather than simply sharing raw data under the domain adaptation setting, thus better preserving privacy and offering an averaged label as pseudo-label. Extensive experiments are conducted on an epilepsy detection and an emotion recognition dataset. The experimental result demonstrates that our mixEEG enhances the transferability of global model for cross-subject EEG classification consistently across different datasets and model architectures. Code is published at: https://github.com/XuanhaoLiu/mixEEG.
- Abstract（参考訳）: クロスオブジェクト脳波(EEG)分類は、認知過程の多様性と異なる被験者間の生理学的構造のために大きな課題を示す。
現代の脳波モデルはニューラルネットワークに基づいており、高いパフォーマンスと一般化性を達成するために大量のデータを必要とする。
しかし、EEGに関連するプライバシー上の懸念は、異なる病院と機関間でのデータ共有に重大な制限をもたらし、その結果、ほとんどのEEGタスクには大きなデータセットが欠如する。
フェデレートラーニング(FL)は、複数の分散クライアントが生データを直接通信することなくグローバルモデルを協調的にトレーニングし、プライバシーを保護します。
FL設定におけるクロスオブジェクト脳波分類を初めて検討した。
本稿では,mixEEGと呼ばれる簡易かつ効果的なフレームワークを提案する。
具体的には、脳波変調の特異性を考慮したバニラ混合を調整する。
mixEEGは、ドメイン適応設定下で生データを単に共有するのではなく、未表示の被写体のラベル付き平均データを共有する。
てんかん検出と感情認識データセットについて、広範囲にわたる実験を行った。
実験結果から,我々の混合EEGは,異なるデータセットやモデルアーキテクチャを横断的に横断するEEG分類のためのグローバルモデルの転送可能性を向上させることが示された。
コードはhttps://github.com/XuanhaoLiu/mixEEG.comで公開されている。
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) - 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) - hvEEGNet: exploiting hierarchical VAEs on EEG data for neuroscience
applications [3.031375888004876]
脳波の既存のDLベースのモデリング手法に2つの課題がある。
被験者間の高いばらつきと低信号対雑音比は、脳波データの良好な品質を確保するのを困難にしている。
本稿では,高忠実度脳波再構成問題を対象とした2つの変分オートエンコーダモデル,すなわちvEEGNet-ver3とhvEEGNetを提案する。
論文 参考訳（メタデータ） (2023-11-20T15:36:31Z) - EEGMatch: Learning with Incomplete Labels for Semi-Supervised EEG-based Cross-Subject Emotion Recognition [7.1695247553867345]
ラベル付き脳波データとラベルなし脳波データの両方を活用する新しい半教師付き学習フレームワーク(EEGMatch)を提案する。
2つのベンチマークデータベース(SEEDとSEED-IV)で大規模な実験を行う。
論文 参考訳（メタデータ） (2023-03-27T12:02:33Z) - Two Heads are Better than One: A Bio-inspired Method for Improving
Classification on EEG-ET Data [14.086094296850122]
EEGデータの分類は、Brain Computer Interfaces(BCI)とそのアプリケーションのパフォーマンスに不可欠である。
外部ノイズは、その生物学的性質と複雑なデータ収集プロセスのために、しばしば脳波データを妨害する。
脳波データの特徴選択と時間分割を統合した新しい手法を提案する。
論文 参考訳（メタデータ） (2023-03-25T23:44:39Z) - 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) - A Novel Transferability Attention Neural Network Model for EEG Emotion
Recognition [51.203579838210885]
脳波感情認識のための伝達型注目ニューラルネットワーク(TANN)を提案する。
TANNは、伝達可能な脳波領域のデータとサンプルを適応的に強調することにより、感情的な識別情報を学習する。
これは、複数の脳領域レベル判別器と1つのサンプルレベル判別器の出力を測定することで実現できる。
論文 参考訳（メタデータ） (2020-09-21T02:42:30Z) - Uncovering the structure of clinical EEG signals with self-supervised
learning [64.4754948595556]
教師付き学習パラダイムは、しばしば利用可能なラベル付きデータの量によって制限される。
この現象は脳波(EEG)などの臨床関連データに特に問題となる。
ラベルのないデータから情報を抽出することで、ディープニューラルネットワークとの競合性能に到達することができるかもしれない。
論文 参考訳（メタデータ） (2020-07-31T14:34:47Z) - Federated Transfer Learning for EEG Signal Classification [14.892851587424936]
脳波分類のためのFTL(Federated Transfer Learning)というプライバシー保護型ディープラーニングアーキテクチャを提案する。
FTLアプローチは、対象適応分析において2%高い分類精度を達成する。
マルチオブジェクトデータがない場合、我々のアーキテクチャは他の最先端のDLアーキテクチャと比較して6%精度が向上する。
論文 参考訳（メタデータ） (2020-04-26T09:03:19Z) - Repulsive Mixture Models of Exponential Family PCA for Clustering [127.90219303669006]
指数関数型家族主成分分析(EPCA)の混合拡張は、従来のEPCAよりもデータ分布に関する構造情報を符号化するように設計された。
従来のEPCAの混合は、モデルの冗長性、すなわち混合成分間の重なりが問題であり、データクラスタリングの曖昧さを引き起こす可能性がある。
本稿では, 混合成分間での反発性増感前処理を導入し, ベイズ式に分散EPCA混合(DEPCAM)モデルを開発した。
論文 参考訳（メタデータ） (2020-04-07T04:07:29Z)
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。