論文の概要: TFOC-Net: A Short-time Fourier Transform-based Deep Learning Approach for Enhancing Cross-Subject Motor Imagery Classification

• arxiv url: http://arxiv.org/abs/2507.02510v1
• Date: Thu, 03 Jul 2025 10:17:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-04 15:37:16.172286
• Title: TFOC-Net: A Short-time Fourier Transform-based Deep Learning Approach for Enhancing Cross-Subject Motor Imagery Classification
• Title（参考訳）: TFOC-Net:クロスオブジェクトモータ画像分類の高速化のための短時間フーリエ変換に基づくディープラーニングアプローチ
• Authors: Ahmed G. Habashi, Ahmed M. Azab, Seif Eldawlatly, Gamal M. Aly,
• Abstract要約: 脳-コンピュータ (BCI) におけるクロスオブジェクト運動画像 (CS-MI) の分類は、脳波 (EEG) パターンが個体によって異なるため難しい課題である。 この可変性はしばしば、対象特化モデルと比較して分類精度が低下する。 我々は、最適化された前処理とディープラーニング技術により、オブジェクト間MI分類性能を大幅に向上する新しいアプローチを提案する。
• 参考スコア（独自算出の注目度）: 0.47498241053872914
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Cross-subject motor imagery (CS-MI) classification in brain-computer interfaces (BCIs) is a challenging task due to the significant variability in Electroencephalography (EEG) patterns across different individuals. This variability often results in lower classification accuracy compared to subject-specific models, presenting a major barrier to developing calibration-free BCIs suitable for real-world applications. In this paper, we introduce a novel approach that significantly enhances cross-subject MI classification performance through optimized preprocessing and deep learning techniques. Our approach involves direct classification of Short-Time Fourier Transform (STFT)-transformed EEG data, optimized STFT parameters, and a balanced batching strategy during training of a Convolutional Neural Network (CNN). This approach is uniquely validated across four different datasets, including three widely-used benchmark datasets leading to substantial improvements in cross-subject classification, achieving 67.60% on the BCI Competition IV Dataset 1 (IV-1), 65.96% on Dataset 2A (IV-2A), and 80.22% on Dataset 2B (IV-2B), outperforming state-of-the-art techniques. Additionally, we systematically investigate the classification performance using MI windows ranging from the full 4-second window to 1-second windows. These results establish a new benchmark for generalizable, calibration-free MI classification in addition to contributing a robust open-access dataset to advance research in this domain.
• Abstract（参考訳）: 脳-コンピュータ・インタフェース(BCI)におけるクロスオブジェクト・モーター・イメージ(CS-MI)分類は、脳波(EEG)パターンが個人によって異なるため難しい課題である。 この可変性はしばしば、主題固有のモデルと比較して分類精度が低くなり、現実世界の応用に適したキャリブレーションのないBCIを開発する上で大きな障壁となる。 本稿では、最適化された前処理とディープラーニング技術により、オブジェクト間MI分類性能を大幅に向上させる新しい手法を提案する。 提案手法は,短時間フーリエ変換(STFT)による脳波データの直接分類,最適化されたSTFTパラメータ,畳み込みニューラルネットワーク(CNN)のトレーニング中のバッチ処理戦略を含む。 このアプローチは、BCIコンペティションIVデータセット1(IV-1)では67.60%、データセット2A(IV-2A)では65.96%、データセット2B(IV-2B)では80.22%、最先端技術では80.22%である。 さらに,全4秒ウィンドウから1秒ウィンドウまでのMIウィンドウを用いて,分類性能を体系的に検討した。 これらの結果は、この領域の研究を進めるための堅牢なオープンアクセスデータセットに加えて、一般化可能なキャリブレーションなしMI分類のための新しいベンチマークを確立する。

関連論文リスト

• Unbiased Max-Min Embedding Classification for Transductive Few-Shot Learning: Clustering and Classification Are All You Need [83.10178754323955]
  わずかなショットラーニングにより、モデルがいくつかのラベル付き例から一般化できる。 本稿では,Unbiased Max-Min Embedding Classification (UMMEC)法を提案する。 本手法は最小ラベル付きデータを用いて分類性能を著しく向上させ, 注釈付きLの最先端化を推し進める。
  論文  参考訳（メタデータ） (2025-03-28T07:23:07Z)
• BHViT: Binarized Hybrid Vision Transformer [53.38894971164072]
  モデルバイナライゼーションは畳み込みニューラルネットワーク(CNN)のリアルタイムおよびエネルギー効率の計算を可能にした。 本稿では,バイナライズフレンドリーなハイブリッドViTアーキテクチャであるBHViTとそのバイナライズモデルを提案する。 提案アルゴリズムは,バイナリ ViT 手法間でSOTA 性能を実現する。
  論文  参考訳（メタデータ） (2025-03-04T08:35:01Z)
• Adaptive Cyber-Attack Detection in IIoT Using Attention-Based LSTM-CNN Models [0.23408308015481666]
  本研究では,ハイブリッドLSTM畳み込みニューラルネットワーク(CNN)のアーキテクチャに基づく高度な侵入検出(IDS)の開発と評価を行う。 本研究は二項分類と多項分類という2つの重要な分類課題に焦点を当てている。 バイナリ分類では、モデルはほぼ完全な精度を達成し、マルチクラス分類では、高い精度 (99.04%) を維持し、様々な攻撃タイプを0.0220%の損失値で効果的に分類した。
  論文  参考訳（メタデータ） (2025-01-21T20:52:23Z)
• 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)
• Priming Cross-Session Motor Imagery Classification with A Universal Deep Domain Adaptation Framework [3.6824205556465834]
  運動画像(英: Motor image、MI)は、脳のコンピュータインタフェース(BCI)のパラダイムである。 本稿では,領域適応理論の数学的モデルに基づくクロスセッションMI分類のための,シームズ深部ドメイン適応(SDDA)フレームワークを提案する。 提案するフレームワークは、ネットワーク構造を変更することなく、既存のほとんどのニューラルネットワークに容易に適用することができる。
  論文  参考訳（メタデータ） (2022-02-19T09:30:08Z)
• No Fear of Heterogeneity: Classifier Calibration for Federated Learning with Non-IID Data [78.69828864672978]
  実世界のフェデレーションシステムにおける分類モデルのトレーニングにおける中心的な課題は、非IIDデータによる学習である。 このアルゴリズムは, 近似されたssian混合モデルからサンプリングした仮想表現を用いて分類器を調整する。 実験の結果,CIFAR-10,CIFAR-100,CINIC-10など,一般的なフェデレーション学習ベンチマークにおけるCCVRの現状が示された。
  論文  参考訳（メタデータ） (2021-06-09T12:02:29Z)
• 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)
• 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)

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。