文献

J-GLOBAL ID：201702282419729593   整理番号：17A1034108

スパース共通成分と革新モデルのための構造化辞書学習【Powered by NICT】

Structured dictionary learning for sparse common component and innovation model

著者 (2件)： Mahyari Arash Golibagh (Department of Electrical and Computer Engineering, Michigan State University, East Lansing, 48823 USA) ,  Aviyente Selin (Department of Electrical and Computer Engineering, Michigan State University, East Lansing, 48823 USA)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2017  号： ICASSP  ページ： 954-958  発行年： 2017年 
JST資料番号： W2441A  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 事象関連電位(ERP)は,外部刺激への脳応答を検出するための一般的に使用される電気生理学的応答である。本論文では,密接に位置する電極間に記録された多重EEG信号から事象関連電位を抽出するためのスパース共通成分と革新モデル(SCCI)を用いることを提案した。このモデルは,信号の共通成分及び予測された一般的で革新辞書に関してそれらの革新成分のスパース表現を見出し,共通成分はERPのような隣接電極によって捕捉された事象と関連した。しかし,異なる刺激は異なる応答を生成するかも知れず,また辞書を決定常に最適ではないかもしれない。,同時に訓練データから二辞書を学習するための構造型辞書学習法を導入した。二種類の脳応答は被験者によりなされる決定に対応する誘発されるが提案した方法は,エラーモニタリングの研究に適用した。学習した辞書を応答タイプを識別し,二応答に対応するERPを抽出することができる。Copyright 2017 The Institute of Electrical and Electronics Engineers, Inc. All Rights reserved. Translated from English into Japanese by JST【Powered by NICT】

シソーラス用語： *透視図法 ,  事象関連電位 ,  *モデル ,  *構造形成 ,  多重化
準シソーラス用語： 被験者 ,  訓練データ ,  スパース表現 ,  電気生理学 ,  *辞書学習 , 【Automatic Indexing@JST】

分類 (1件)： 生体計測  (EL03020C)

タイトルに関連する用語 (3件)： モデル ,  構造化 ,  辞書学習