文献

J-GLOBAL ID：202002264254890814   整理番号：20A0954199

運動画像分類のための深層学習ソリューション:比較研究【JST・京大機械翻訳】

Deep Learning Solutions for Motor Imagery Classification: A Comparison Study

著者 (3件)： Lu Na (Systems Engineering Institute, Xi’an Jiaotong University,Xi’an,China) ,  Yin Tao (Systems Engineering Institute, Xi’an Jiaotong University,Xi’an,China) ,  Jing Xue (Systems Engineering Institute, Xi’an Jiaotong University,Xi’an,China)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2020  号： BCI  ページ： 1-6  発行年： 2020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： 運動画像分類は,代替神経筋経路として外部装置を制御するために,脳コンピュータインタフェイスの構築に広く適用されている。最も一般的な非侵襲性脳信号としてのEEGは,同じ被験者に対してさえも低い信号対雑音比と予測不可能なパターン変動を被る。EEGベースのモーター画像の分類精度を改善するために,多くの深い学習ベースの解法を開発した。それは主に畳込みニューラルネットワーク(CNN)ベースの方法とリカレントニューラルネットワーク(RNN)ベースの方法を含んでいる。運動画像分類のための最も適切な深い学習解の無名の認識はない。本論文では,モータ画像分類のための異なる深い学習解の性能を評価するために,包括的な比較研究を行った。CNNベースの方法,RNNに基づく方法,時間的畳込みネットワーク(TCN)ベースの方法,CNNとSRUの並列組合せ(単純再帰ユニット),CNNとSRUのカスケード組合せを構築し,広範囲の実験に基づいて比較した。実験は,同じデータセット,データの同じ前処理,および同じプラットフォームによる公正な基礎で行った。実験は,TCNベースの方法が最も良い性能を得て,CNNとRNNの並列組合せが2番目に良い性能を得たことを示して,それは更なる改良のために深いネットワーク解法を学習する空間的時間的特徴を調査することを触発した。Copyright 2020 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： SN比 ,  畳込み ,  *学習 ,  ネットワーク ,  電動機 ,  前処理
準シソーラス用語： 被験者 ,  *画像分類 ,  リカレントニューラルネットワーク ,  非侵襲 ,  分類精度 ,  ブレインコンピュータインタフェイス ,  神経筋 ,  *深層学習 ,  畳込みニューラルネットワーク , 【Automatic Indexing@JST】

分類 (1件)： 図形・画像処理一般  (JE04010I)

タイトルに関連する用語 (5件)： 運動 ,  画像分類 ,  深層学習 ,  ソリューション ,  研究