抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
単一試行運動イメージ分類は,脳コンピュータ応用の重要な側面である。したがって,運動イメージ運動を含む信号特徴を抽出し識別する必要がある。リーマン幾何学ベースの特徴抽出法は,これらのタイプのモータ画像ベースの脳コンピュータインタフェースアプリケーションを設計するとき有効である。情報理論の分野では,Riemann幾何学は主に共分散行列で使われる。したがって,調査により,フィルタバンクアプローチの実行後に,本方法が使用されるならば,共分散行列は,信号の周波数および空間情報を保存することを示した。データアベイラビリティが豊富で,多数の特徴があるとき,深層学習法は優れている。本研究の目的は,BCIアプリケーションにおけるBCI(脳コンピュータインタフェース)アプリケーションとBCIアプリケーションにおけるRiemann幾何学特徴抽出法との組み合わせにおいて,単一深層学習ベース分類器を用いる方法を示し,b)は,ディシジョンツリーアルゴリズムと組み合わせて,パーティクルスウォーム最適化と呼ばれるラッパー特徴選択アルゴリズムの1つを記述することである。本研究では,CSP法を1つの分類器だけを用いて多クラスケースに使用した。さらに,Riemann多様体の接線空間に写像された共分散行列とパワースペクトル密度特徴の組み合わせを用いた。さらに,パーティクルスウォーム最適化手法を,悪い特徴のペナルティによって訓練を容易にするために暗示し,そして,移動ウィンドウ方法を,増強のために使用した。経験的研究の後,畳込みニューラルネットワークを採用して,前処理データを分類した。提案手法は,よく知られたBCI競合IV2aデータセットから成るいくつかの被験者に対する分類精度を改善した。Copyright 2021 The Author(s) All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】