論文の概要: Motor Imagery Classification Using Feature Fusion of Spatially Weighted Electroencephalography

• arxiv url: http://arxiv.org/abs/2511.13752v1
• Date: Fri, 14 Nov 2025 01:36:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-19 16:23:52.677433
• Title: Motor Imagery Classification Using Feature Fusion of Spatially Weighted Electroencephalography
• Title（参考訳）: 空間重み付き脳波の特徴融合を用いた運動画像分類
• Authors: Abdullah Al Shiam, Md. Khademul Islam Molla, Abu Saleh Musa Miah, Md. Abdus Samad Kamal,
• Abstract要約: Brain Computer Interface (BCI) は人間の脳と外界を繋ぎ、直接通信路を提供する。 脳波信号は、運動機能活動に関連する認知パターンを反映するために一般的にBCIで使用される。 本研究では,脳領域特異的チャネル選択とマルチドメイン特徴融合に基づく新しい手法を提案し,分類精度を向上する。
• 参考スコア（独自算出の注目度）: 1.2657864589619818
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: A Brain Computer Interface (BCI) connects the human brain to the outside world, providing a direct communication channel. Electroencephalography (EEG) signals are commonly used in BCIs to reflect cognitive patterns related to motor function activities. However, due to the multichannel nature of EEG signals, explicit information processing is crucial to lessen computational complexity in BCI systems. This study proposes an innovative method based on brain region-specific channel selection and multi-domain feature fusion to improve classification accuracy. The novelty of the proposed approach lies in region-based channel selection, where EEG channels are grouped according to their functional relevance to distinct brain regions. By selecting channels based on specific regions involved in motor imagery (MI) tasks, this technique eliminates irrelevant channels, reducing data dimensionality and improving computational efficiency. This also ensures that the extracted features are more reflective of the brain actual activity related to motor tasks. Three distinct feature extraction methods Common Spatial Pattern (CSP), Fuzzy C-means clustering, and Tangent Space Mapping (TSM), are applied to each group of channels based on their brain region. Each method targets different characteristics of the EEG signal: CSP focuses on spatial patterns, Fuzzy C means identifies clusters within the data, and TSM captures non-linear patterns in the signal. The combined feature vector is used to classify motor imagery tasks (left hand, right hand, and right foot) using Support Vector Machine (SVM). The proposed method was validated on publicly available benchmark EEG datasets (IVA and I) from the BCI competition III and IV. The results show that the approach outperforms existing methods, achieving classification accuracies of 90.77% and 84.50% for datasets IVA and I, respectively.
• Abstract（参考訳）: Brain Computer Interface (BCI) は人間の脳と外界を繋ぎ、直接通信路を提供する。 脳波(EEG)信号は、運動機能活動に関連する認知パターンを反映するために一般的にBCIで使用される。 しかし、脳波信号のマルチチャネル特性のため、明示的な情報処理はBCIシステムの計算複雑性を低減するために重要である。 本研究では,脳領域特異的チャネル選択とマルチドメイン特徴融合に基づく新しい手法を提案し,分類精度を向上する。 提案手法の新規性は、脳波チャンネルが機能的関連性に応じて異なる脳領域にグループ化される領域ベースのチャネル選択にある。 運動画像(MI)タスクに関連する特定の領域に基づいてチャネルを選択することにより、無関係なチャネルを排除し、データの次元を減らし、計算効率を向上させる。 これはまた、抽出された特徴が運動タスクに関連する脳の実際の活動をより反映していることを保証する。 共通空間パターン(CSP)、ファジィC平均クラスタリング、タンジェント空間マッピング(TSM)の3つの特徴抽出法を脳領域に基づいて各チャネル群に適用した。 CSPは空間パターンに焦点を当て、ファジィCはデータ内のクラスタを識別し、TSMは信号内の非線形パターンをキャプチャする。 複合特徴ベクトルは、SVM(Support Vector Machine)を使用して運動画像タスク(左手、右手、右足)を分類するために使用される。 提案手法は,BCIコンペティションIII,IVのベンチマークEEGデータセット(IVA,I)で検証した。 この手法は既存の手法より優れており、データセットIVAとIの分類精度は90.77%、84.50%である。

関連論文リスト

• BrainOmni: A Brain Foundation Model for Unified EEG and MEG Signals [46.121056431476156]
  異種脳波とMEG記録を対象とする脳基礎モデルBrain Omniを提案する。 既存のアプローチは一般的に、パフォーマンスとクロスドメインのスケーラビリティを制限する、分離、モダリティ、データセット固有のモデルに依存します。 EEGの合計1,997時間、MEGデータの656時間は、事前トレーニングのために公開されているソースからキュレーションされ、標準化されている。
  論文  参考訳（メタデータ） (2025-05-18T14:07:14Z)
• Optimizing Brain-Computer Interface Performance: Advancing EEG Signals Channel Selection through Regularized CSP and SPEA II Multi-Objective Optimization [13.981941979747305]
  RCSPは脳波信号の識別と分類に有効である。 我々は、MIタスクを持つマルチチャネル脳波信号からチャネルのサブセットを選択する際に、最先端のアプローチを採用する。
  論文  参考訳（メタデータ） (2024-04-26T00:04:41Z)
• 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)
• End-to-end learnable EEG channel selection with deep neural networks [72.21556656008156]
  本稿では,脳波チャネル選択をニューラルネットワーク自体に組み込む枠組みを提案する。 我々は、離散チャネル選択パラメータの連続緩和を用いて、この新しい最適化問題の離散的性質を扱う。 この一般的なアプローチは、2つの異なるEEGタスクで評価される。
  論文  参考訳（メタデータ） (2021-02-11T13:44:07Z)
• Emotional EEG Classification using Connectivity Features and Convolutional Neural Networks [81.74442855155843]
  CNNと脳のつながりを利用した新しい分類システムを導入し,その効果を感情映像分類により検証する。 対象映像の感情的特性に関連する脳接続の集中度は分類性能と相関する。
  論文  参考訳（メタデータ） (2021-01-18T13:28:08Z)
• Few-Shot Relation Learning with Attention for EEG-based Motor Imagery Classification [11.873435088539459]
  脳波(EEG)信号に基づく脳-コンピュータインタフェース(BCI)が注目されている。 運動画像(MI)データは、リハビリテーションや自律運転のシナリオに使用することができる。 脳波に基づくBCIシステムにはMI信号の分類が不可欠である。
  論文  参考訳（メタデータ） (2020-03-03T02:34:44Z)
• Multi-Scale Neural network for EEG Representation Learning in BCI [2.105172041656126]
  本稿では,複数の周波数/時間範囲における特徴表現を探索する深層多スケールニューラルネットワークを提案する。 スペクトル時間情報を用いた脳波信号の表現により,提案手法を多種多様なパラダイムに応用することができる。
  論文  参考訳（メタデータ） (2020-03-02T04:06:47Z)
• Data-Driven Symbol Detection via Model-Based Machine Learning [117.58188185409904]
  機械学習(ML)とモデルベースアルゴリズムを組み合わせた,検出設計のシンボル化を目的とした,データ駆動型フレームワークについてレビューする。 このハイブリッドアプローチでは、よく知られたチャネルモデルに基づくアルゴリズムをMLベースのアルゴリズムで拡張し、チャネルモデル依存性を除去する。 提案手法は, 正確なチャネル入出力統計関係を知らなくても, モデルベースアルゴリズムのほぼ最適性能が得られることを示す。
  論文  参考訳（メタデータ） (2020-02-14T06:58:27Z)

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。

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。