論文の概要: Balancing Interpretability and Performance in Motor Imagery EEG Classification: A Comparative Study of ANFIS-FBCSP-PSO and EEGNet

• arxiv url: http://arxiv.org/abs/2511.00369v1
• Date: Sat, 01 Nov 2025 02:42:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-05 16:37:26.743629
• Title: Balancing Interpretability and Performance in Motor Imagery EEG Classification: A Comparative Study of ANFIS-FBCSP-PSO and EEGNet
• Title（参考訳）: 運動画像脳波分類におけるバランシング解釈性と性能:ANFIS-FBCSP-PSOとEEGNetの比較検討
• Authors: Farjana Aktar, Mohd Ruhul Ameen, Akif Islam, Md Ekramul Hamid,
• Abstract要約: 本稿では,透過ファジィ推論手法(ANFIS-FBCSP-PSO)とBCIコンペティションIV-2aデータセットを用いたディープラーニングベンチマーク(EEGNet)を比較した。 物体内実験では、ファジィニューラルモデルは68.58パーセント+/-13.76パーセントの精度で、カッパ=58.04パーセント+/-18.43)。 本研究は,MI-BCIシステムを選択するための実践的ガイダンスを提供する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Achieving both accurate and interpretable classification of motor imagery EEG remains a key challenge in brain computer interface (BCI) research. This paper compares a transparent fuzzy reasoning approach (ANFIS-FBCSP-PSO) with a deep learning benchmark (EEGNet) using the BCI Competition IV-2a dataset. The ANFIS pipeline combines filter bank common spatial pattern feature extraction with fuzzy IF-THEN rules optimized via particle swarm optimization, while EEGNet learns hierarchical spatial temporal representations directly from raw EEG data. In within-subject experiments, the fuzzy neural model performed better (68.58 percent +/- 13.76 percent accuracy, kappa = 58.04 percent +/- 18.43), while in cross-subject (LOSO) tests, the deep model exhibited stronger generalization (68.20 percent +/- 12.13 percent accuracy, kappa = 57.33 percent +/- 16.22). The study provides practical guidance for selecting MI-BCI systems according to design goals: interpretability or robustness across users. Future investigations into transformer based and hybrid neuro symbolic frameworks are expected to advance transparent EEG decoding.
• Abstract（参考訳）: 運動画像の正確かつ解釈可能な分類を実現する脳波は、脳コンピュータインタフェース(BCI)研究において重要な課題である。 本稿では,透過ファジィ推論手法(ANFIS-FBCSP-PSO)とBCIコンペティションIV-2aデータセットを用いたディープラーニングベンチマーク(EEGNet)を比較した。 ANFISパイプラインはフィルタバンク共通空間パターン特徴抽出とファジィIF-THEN規則をパーティクルスワム最適化により最適化し、EEGNetは生のEEGデータから直接階層的空間時間表現を学習する。 物体内実験では、ファジィニューラルモデルはより良く(68.58%+/-13.76パーセント、カッパ=58.04%+/-18.43)、クロスオブジェクト(LOSO)試験では、深いモデルはより強力な一般化(68.20%+/-12.13パーセント、カッパ=57.33%+/-16.22)を示した。 本研究は,MI-BCIシステムを選択するための実践的ガイダンスを提供する。 トランスフォーマーとハイブリッドニューロシンボリックフレームワークの今後の研究は、透過的な脳波デコーディングを進めることが期待されている。

関連論文リスト

• rECGnition_v2.0: Self-Attentive Canonical Fusion of ECG and Patient Data using deep learning for effective Cardiac Diagnostics [0.56337958460022]
  この研究は、MIT-BIH Arrhythmia データセットを用いて、様々な不整脈のクラスに対する rECGnition_v2.0 の効率を評価する。 rECGnition_v2.0のコンパクトなアーキテクチャフットプリントは、トレーニング可能なパラメータがより少ないことで特徴付けられ、解釈可能性やスケーラビリティなどいくつかの利点を解き放った。
  論文  参考訳（メタデータ） (2025-02-22T15:16:46Z)
• Comparative clinical evaluation of "memory-efficient" synthetic 3d generative adversarial networks (gan) head-to-head to state of art: results on computed tomography of the chest [35.858837946090674]
  本研究では,新しいメモリ効率GANアーキテクチャであるCRF-GANを紹介する。 このモデルの性能は、最先端階層型(HA)-GANモデルに対して評価される。
  論文  参考訳（メタデータ） (2025-01-26T15:57:44Z)
• EEG_RL-Net: Enhancing EEG MI Classification through Reinforcement Learning-Optimised Graph Neural Networks [7.9035081192335115]
  本稿では、EEG_GLT-NetからトレーニングされたEEG GCNブロックを隣接行列密度13.39%で組み込んだEEG_GLT-Netフレームワークの強化であるEEG_RL-Netを提案する。 EEG_RL-Netモデルは例外的な分類性能を示し、25ミリ秒以内の20人の被験者の平均精度は96.40%である。
  論文  参考訳（メタデータ） (2024-04-26T13:09:50Z)
• Improved Motor Imagery Classification Using Adaptive Spatial Filters Based on Particle Swarm Optimization Algorithm [4.93693103484175]
  本稿では,粒子群最適化アルゴリズム(PSO)に基づく適応型空間フィルタ解法を提案する。 MIEEG信号分類のためのフィルタバンクと空間フィルタ(FBCSP-ASP)に基づくトレーニングおよびテストフレームワークを設計する。 提案手法の分類精度は, データセット2aと2bでそれぞれ74.61%, 81.19%に達している。
  論文  参考訳（メタデータ） (2023-10-29T23:53:37Z)
• EKGNet: A 10.96{\mu}W Fully Analog Neural Network for Intra-Patient Arrhythmia Classification [79.7946379395238]
  心電図不整脈分類におけるアナログ計算と深層学習を組み合わせた統合的アプローチを提案する。 本稿では,低消費電力で高精度にアーカイブするハードウェア効率と完全アナログ不整脈分類アーキテクチャであるEKGNetを提案する。
  論文  参考訳（メタデータ） (2023-10-24T02:37:49Z)
• Fuzzy temporal convolutional neural networks in P300-based Brain-computer interface for smart home interaction [3.726817037277484]
  脳波パターンは、ノイズによる時間的変化と不確実性を示す。 これは、スマートホームインタラクションのためのP300ベースのBrain Computer Interfaceで対処すべき重要な問題である。 脳波信号、LSTM細胞、ファジィニューラルブロック(FNB)に修飾された時間畳み込みネットワーク(TCN)の逐次統合を提案する。
  論文  参考訳（メタデータ） (2022-04-09T00:35:35Z)
• Multiple Time Series Fusion Based on LSTM An Application to CAP A Phase Classification Using EEG [56.155331323304]
  本研究では,深層学習に基づく脳波チャンネルの特徴レベル融合を行う。 チャネル選択,融合,分類手順を2つの最適化アルゴリズムで最適化した。
  論文  参考訳（メタデータ） (2021-12-18T14:17:49Z)
• 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)
• A Computationally Efficient Multiclass Time-Frequency Common Spatial Pattern Analysis on EEG Motor Imagery [164.93739293097605]
  共通空間パターン(CSP)は脳波(EEG)運動画像(MI)の一般的な特徴抽出法である 本研究では,従来のCSPアルゴリズムを改良し,マルチクラスMI分類精度を改善し,計算処理の効率化を図る。
  論文  参考訳（メタデータ） (2020-08-25T18:23:50Z)

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。