文献

J-GLOBAL ID：202102225185448983   整理番号：21A0442471

領域敵対スパース学習モデルによる交差サブジェクトEEGチャネル最適化【JST・京大機械翻訳】

Cross-subject EEG Channel Optimization by Domain Adversarial Sparse Learning Model

著者 (6件)： Wu Zhenhua (Hangzhou Dianzi University,School of computer Science and Technology,Hangzhou,China) ,  Zeng Hong (Hangzhou Dianzi University,School of computer Science and Technology,Hangzhou,China) ,  Zhao Yue (Hangzhou Dianzi University,School of computer Science and Technology,Hangzhou,China) ,  Li Xiufeng (Hangzhou Dianzi University,School of computer Science and Technology,Hangzhou,China) ,  Zhang Jiaming (Hangzhou Dianzi University,School of computer Science and Technology,Hangzhou,China) ,  Hattori Motonobu (University of Yamanashi,School of Medicine, Engineering and Agriculture,Kofu,Yamanashi,Japan)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2020  号： BIBM  ページ： 1176-1179  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： 脳波(EEG)記録チャネルの数を減らし,EEG信号分析を行うための最適電極を獲得する方法は,高度に利用可能な脳-コンピュータインタフェース(BCI)の開発および促進において極めて重要である。本論文では,最小および最適EEG電極で疲れ状態検出を行うため,ドメイン敵対的スパース学習モデル(DASL)と名付けたEEGチャネル最適化モデルを設計した。DASLはSparse Learning(SL),ドメインAdversarialニューラルネットワーク(DANN)およびGenerative Adversarial Network(GAN)を構成する。ここでは,SLを用いて,ソースドメインから重要な特徴を選択することにより,最適EEGチャネルを見つけ,次に,これらの重要な特徴を,被験者を横断するDANNによる疲労状態を決定するために用い,GANは,提案モデルに対するロバスト性を改善することを目指した。実験結果は,DASLが,最適および最小EEG電極の条件の下で,精神状態タスクの分類性能において,他の従来の機械学習法より優れていることを示した。Copyright 2021 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： *最適化 ,  *学習モデル ,  脳波 ,  ニューラルネットワーク ,  チャネル ,  ロバスト性 ,  機械学習
準シソーラス用語： 被験者 ,  最適化モデル ,  精神状態 ,  脳波信号 , 【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 (6件)： 敵対 ,  学習モデル ,  交差 ,  EEG ,  チャネル ,  最適化