文献

J-GLOBAL ID：202002279231940083   整理番号：20A1485228

深層計量学習を用いた脳コンピュータインタフェイスのための運動画像分類【JST・京大機械翻訳】

Motor Imagery Classification for Brain Computer Interface Using Deep Metric Learning

著者 (3件)： Alwasiti Haider (Department of Electrical and Electronic Engineering, Centre for Intelligent Signal and Imaging Research (CISIR), Universiti Teknologi PETRONAS, Bandar Seri Iskandar, Perak, Malaysia) ,  Yusoff Mohd Zuki (Department of Electrical and Electronic Engineering, Centre for Intelligent Signal and Imaging Research (CISIR), Universiti Teknologi PETRONAS, Bandar Seri Iskandar, Perak, Malaysia) ,  Raza Kamran (Faculty of Engineering, Sciences, and Technology, Iqra University, Karachi, Pakistan)
資料名： IEEE Access  (IEEE Access)
巻： 8  ページ： 109949-109963  発行年： 2020年 
JST資料番号： W2422A  ISSN： 2169-3536  資料種別： 逐次刊行物 (A)
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： 深い計量学習(DML)は,いくつかの深い学習アプリケーションにおいて最先端の結果を達成した。しかし,このタイプの深層学習モデルは,脳コンピュータインタフェース(BCI)アプリケーションのための電気脳波(EEG)の分類に関して試験されていない。初めて,モータ画像(MI)EEG信号を分類するための三重項ネットワークを提案した。Stockwell変換を用いて,時間領域のEEG信号を周波数領域に変換し,その結果,短いTermFourier変換(0.647対0.431)を有するDMLと比較してDML分類精度を改善した。DMLモデルを連結64EEGチャネルスペクトログラムのトップグラムで訓練した。訓練バッチは,アンカーの三重項対,正および負のラベル付けされた時代から成った。三重項ネットワークは,同じクラスのスペクトログラムの埋込み間のユークリッド距離を最小化し,異なるラベル付き画像の埋込み間の距離を増加させる埋込み特徴空間を訓練することができた。提案した方法を109名の訓練されていない被験者のEEGデータセットで試験した。DML分類器は,モデル当たり1人の被験者のみに対して非常に少数の訓練サンプル(約120EEG試行)で収束でき,分類性能を低下させるヒトMI-BCIEEGの大きな個人間変動のよく知られた問題を緩和することを示した。提案した前処理パイプラインと三重項ネットワークは,以前の方法よりはるかに少ない訓練サンプルでMI-BCI EEG信号を分類するための有望な方法を提供する。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： *学習 ,  ネットワーク ,  脳波 ,  電動機 ,  ヒト ,  応用プログラム ,  深層 ,  周波数領域
準シソーラス用語： *画像分類 ,  スペクトログラム ,  *ブレインコンピュータインタフェイス ,  Euclid距離 ,  特徴空間 ,  時間領域 ,  深層学習 , 【Automatic Indexing@JST】

分類 (2件)： パターン認識  (JE07000S) ,  人工知能  (JE08000Z)

タイトルに関連する用語 (6件)： 深層 ,  計量 ,  学習 ,  脳コンピュータインタフェイス ,  運動 ,  画像分類