論文の概要: Enhancing Robustness of Asynchronous EEG-Based Movement Prediction using Classifier Ensembles

• arxiv url: http://arxiv.org/abs/2601.04286v1
• Date: Wed, 07 Jan 2026 14:23:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-09 17:01:52.863832
• Title: Enhancing Robustness of Asynchronous EEG-Based Movement Prediction using Classifier Ensembles
• Title（参考訳）: 分類器アンサンブルを用いた非同期脳波に基づく運動予測のロバスト性向上
• Authors: Niklas Kueper, Kartik Chari, Elsa Andrea Kirchner,
• Abstract要約: ストロークは障害の主要な原因の1つである。 患者の移動意図を検知して、ロボット装置の補助をトリガーする必要がある。
• 参考スコア（独自算出の注目度）: 2.2940141855172036
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Objective: Stroke is one of the leading causes of disabilities. One promising approach is to extend the rehabilitation with self-initiated robot-assisted movement therapy. To enable this, it is required to detect the patient's intention to move to trigger the assistance of a robotic device. This intention to move can be detected from human surface electroencephalography (EEG) signals; however, it is particularly challenging to decode when classifications are performed online and asynchronously. In this work, the effectiveness of classifier ensembles and a sliding-window postprocessing technique was investigated to enhance the robustness of such asynchronous classification. Approach: To investigate the effectiveness of classifier ensembles and a sliding-window postprocessing, two EEG datasets with 14 healthy subjects who performed self-initiated arm movements were analyzed. Offline and pseudo-online evaluations were conducted to compare ensemble combinations of the support vector machine (SVM), multilayer perceptron (MLP), and EEGNet classification models. Results: The results of the pseudo-online evaluation show that the two model ensembles significantly outperformed the best single model for the optimal number of postprocessing windows. In particular, for single models, an increased number of postprocessing windows significantly improved classification performances. Interestingly, we found no significant improvements between performances of the best single model and classifier ensembles in the offline evaluation. Significance: We demonstrated that classifier ensembles and appropriate postprocessing methods effectively enhance the asynchronous detection of movement intentions from EEG signals. In particular, the classifier ensemble approach yields greater improvements in online classification than in offline classification, and reduces false detections, i.e., early false positives.
• Abstract（参考訳）: 目的:ストロークは障害の主要な原因の1つである。 1つの有望なアプローチは、自己開始型ロボット支援運動療法によりリハビリテーションを拡張することである。 これを可能にするためには、患者の移動意図を検知して、ロボット装置の補助をトリガーする必要がある。 この動きはヒト表面脳波(EEG)信号から検出できるが、分類がオンラインで非同期に行われる場合、特に復号は困難である。 本研究では,このような非同期分類の堅牢性を高めるために,分類器アンサンブルとスライディング・ウインドウ・ポストプロセッシングの有効性を検討した。 アプローチ: 分類器アンサンブルとスライディングウインドウポストプロセッシングの有効性を検討するため, 自己開始腕運動を行った健常者14名の2つの脳波データセットを解析した。 サポートベクトルマシン(SVM)、多層パーセプトロン(MLP)、EEGNet分類モデルのアンサンブルの組み合わせを比較するために,オフラインおよび擬似オンライン評価を行った。 結果: 擬似オンライン評価の結果, 2つのモデルアンサンブルは, 処理後ウィンドウの最適個数に対して, 最高の単一モデルよりも有意に優れていた。 特にシングルモデルでは、後処理ウィンドウの増加により分類性能が大幅に向上した。 興味深いことに、オフライン評価において、最高の単一モデルの性能と分類器のアンサンブルの間に顕著な改善は見つからなかった。 意義:脳波信号からの動作意図の非同期検出を効果的に行うために,分類器のアンサンブルと適切な後処理法が有効であることを示した。 特に、分類器アンサンブルアプローチは、オフライン分類よりもオンライン分類の改善をもたらし、偽検出、すなわち早期偽陽性を減らす。

関連論文リスト

• AHDMIL: Asymmetric Hierarchical Distillation Multi-Instance Learning for Fast and Accurate Whole-Slide Image Classification [51.525891360380285]
  AHDMILは非対称な階層的蒸留マルチインスタンス学習フレームワークである。 2段階のトレーニングプロセスを通じて、無関係なパッチを排除します。 分類性能と推論速度の両方において、従来の最先端手法を一貫して上回っている。
  論文  参考訳（メタデータ） (2025-08-07T07:47:16Z)
• Clustering-Guided Multi-Layer Contrastive Representation Learning for Citrus Disease Classification [17.627760587507737]
  シトラス(Citrus)は、世界でもっとも経済的に重要な果実の1つである。 正確な疾患の検出と分類は、標的とするコントロール対策を実施するための重要な前提条件である。 人工知能の最近の進歩、特にディープラーニングベースのコンピュータビジョンアルゴリズムは、時間と労働の要求を大幅に減らしている。
  論文  参考訳（メタデータ） (2025-07-15T10:22:52Z)
• An Efficient and Flexible Deep Learning Method for Signal Delineation via Keypoints Estimation [4.2807943283312095]
  本稿では,キーポイント推定のための新しいDLモデルであるKEED(Keypoint Estimation for Electrocardiogram Delineation)を提案する。 KEEDは、臨床的な期待に沿ったアウトプットを有機的に提供する。 注目すべきは、非常に限定的な注釈付きデータで最適化されているにもかかわらず、KEEDは大幅にパフォーマンスが向上していることだ。
  論文  参考訳（メタデータ） (2024-07-24T08:13:10Z)
• HARDC : A novel ECG-based heartbeat classification method to detect arrhythmia using hierarchical attention based dual structured RNN with dilated CNN [3.8791511769387625]
  不整脈分類のための拡張CNN (HARDC) 法を用いたハイブリッド階層型双方向リカレントニューラルネットワークを開発した。 提案したHARDCは、拡張CNNと双方向リカレントニューラルネットワークユニット(BiGRU-BiLSTM)アーキテクチャをフル活用して、融合機能を生成する。 以上の結果から,複数種類の不整脈信号の分類を自動化し,高度に計算した手法が有望であることが示唆された。
  論文  参考訳（メタデータ） (2023-03-06T13:26:29Z)
• Improving Music Performance Assessment with Contrastive Learning [78.8942067357231]
  本研究では,既存のMPAシステムを改善するための潜在的手法として,コントラスト学習について検討する。 畳み込みニューラルネットワークに適用された回帰タスクに適した重み付きコントラスト損失を導入する。 この結果から,MPA回帰タスクにおいて,コントラッシブ・ベースの手法がSoTA性能に適合し,超越できることが示唆された。
  論文  参考訳（メタデータ） (2021-08-03T19:24:25Z)
• Visualizing Classifier Adjacency Relations: A Case Study in Speaker Verification and Voice Anti-Spoofing [72.4445825335561]
  任意のバイナリ分類器によって生成される検出スコアから2次元表現を導出する簡単な方法を提案する。 ランク相関に基づいて,任意のスコアを用いた分類器の視覚的比較を容易にする。 提案手法は完全に汎用的であり,任意の検出タスクに適用可能だが,自動話者検証と音声アンチスプーフィングシステムによるスコアを用いた手法を実証する。
  論文  参考訳（メタデータ） (2021-06-11T13:03:33Z)
• 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)
• Adversarial Feature Augmentation and Normalization for Visual Recognition [109.6834687220478]
  最近のコンピュータビジョンの進歩は、分類モデルの一般化能力を改善するために、逆データ拡張を利用する。 本稿では,中間的特徴埋め込みにおける敵対的拡張を提唱する効率的かつ効率的な代替手法を提案する。 代表的なバックボーンネットワークを用いて,多様な視覚認識タスクにまたがる提案手法を検証する。
  論文  参考訳（メタデータ） (2021-03-22T20:36:34Z)
• Domain Adaptive Robotic Gesture Recognition with Unsupervised Kinematic-Visual Data Alignment [60.31418655784291]
  本稿では,マルチモダリティ知識,すなわちキネマティックデータとビジュアルデータを同時にシミュレータから実ロボットに伝達できる,教師なしドメイン適応フレームワークを提案する。 ビデオの時間的手がかりと、ジェスチャー認識に対するマルチモーダル固有の相関を用いて、トランスファー可能な機能を強化したドメインギャップを修復する。 その結果, 本手法は, ACCでは最大12.91%, F1scoreでは20.16%と, 実際のロボットではアノテーションを使わずに性能を回復する。
  論文  参考訳（メタデータ） (2021-03-06T09:10:03Z)
• Multi-Lead ECG Classification via an Information-Based Attention Convolutional Neural Network [1.1720399305661802]
  1次元畳み込みニューラルネットワーク(CNN)は、広範に分類されるタスクに有効であることが証明されている。 残差接続を実装し,入力特徴マップ内の異なるチャネルに含まれる情報から重みを学習できる構造を設計する。 分類タスクにおいて、特定のモデルセグメントのパフォーマンスを監視するために平均平方偏差という指標を導入する。
  論文  参考訳（メタデータ） (2020-03-25T02:28:04Z)
• Effect of Analysis Window and Feature Selection on Classification of Hand Movements Using EMG Signal [0.20999222360659603]
  近年,パターン認識(PR)に基づく筋電制御の研究は,機械学習分類器の助けを借りて有望な結果を示した。 複数のクラスの動きと直感的な制御を提供することで、日常的な生活運動を行うために切断対象に電力を供給することができる。 我々は,手の動きの分類精度を向上させるために,効率的なデータ前処理と最適な特徴選択が有効であることを示す。
  論文  参考訳（メタデータ） (2020-02-02T19:03:23Z)

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。