文献

J-GLOBAL ID：201802255168515157   整理番号：18A0397524

脳界面のための空間-時間脳波モデル【Powered by NICT】

Spatio-temporal EEG models for brain interfaces

著者 (4件)： Gonzalez-Navarro P. (Northeastern University, Boston, MA, United States) ,  Moghadamfalahi M. (Northeastern University, Boston, MA, United States) ,  Akcakaya M. (University of Pittsburgh, Pittsburgh, PA, United States) ,  Erdogmus D. (Northeastern University, Boston, MA, United States)
資料名： Signal Processing  (Signal Processing)
巻： 131  ページ： 333-343  発行年： 2017年 
JST資料番号： A0102B  ISSN： 0165-1684  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： オランダ (NLD)  言語： 英語 (EN)

抄録/ポイント： 多チャネル脳波記録(EEG)は,ユーザ意図推論のための非侵襲的脳コンピュータインタフェイス(BCI)で広く使われている。EEGは未知の平均値および自己共分散を用いたGauss過程であると仮定することができ,パラメータの推定は,BCI推論に必要である。しかし,標識観測の数に関してEEG特徴ベクトルの相対的に高い次元は欠損共分散行列推定の順位付けを行った。本論文では,悪条件共分散推定を克服するために,マルチチャネルEEG信号の共分散行列の構造を提案した。より詳しくいえば,ここでは,これらの共分散は,時間的および空間的共分散のKronecker積としてモデル化できると仮定した。文字毎の入力タイピングBCIのユーザから収集した実験データを著者らの結果は,より少ないパラメータ推定のシステムは,完全な非構造化共分散推定を用いる方法と比較して,より高い分類精度を達成できることを示した。さらに,提案したKronecker積構造はB CI較正データ収集セッションを短縮,シミュレーションデータについてのCramer-Raoの限界解析を用いて可能にすることを説明するために,構造化共分散行列を用いたモデルは,より少ない標識EEG観測を用いた共分散構造を持つモデルと同じ推定誤差を達成しないことを示した。Copyright 2018 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【Powered by NICT】

シソーラス用語： モデリング ,  パラメータ推定 ,  データ収集 ,  線形性 ,  *脳波 ,  共分散 ,  構造形成 ,  自己相関 ,  Gauss過程
準シソーラス用語： 推定誤差 ,  分類精度 ,  共分散推定 ,  共分散行列 ,  特徴ベクトル ,  マルチチャネル , 【Automatic Indexing@JST】

著者キーワード (6件)： 構造化共分散行列 ,  Kronecker積 ,  脳計算機インタフェイス ,  マルチチャネル脳波図(EEG) ,  自己回帰(AR)モデル ,  線形混合物

分類 (1件)： 信号理論  (ND02020G)

タイトルに関連する用語 (4件)： 脳 ,  界面 ,  脳波 ,  モデル