文献

J-GLOBAL ID：202102256759908213   整理番号：21A0149481

低リソース交差被験者EEG分類のための制約伝達学習に関するMeta学習【JST・京大機械翻訳】

Meta Learn on Constrained Transfer Learning for Low Resource Cross Subject EEG Classification

著者 (7件)： Duan Tiehang (Department of Computer Science and Engineering, University at Buffalo, Buffalo, NY, USA) ,  Shaikh Mohammad Abuzar (Department of Computer Science and Engineering, University at Buffalo, Buffalo, NY, USA) ,  Chauhan Mihir (Department of Computer Science and Engineering, University at Buffalo, Buffalo, NY, USA) ,  Chu Jun (Department of Computer Science and Engineering, University at Buffalo, Buffalo, NY, USA) ,  Srihari Rohini K. (Department of Computer Science and Engineering, University at Buffalo, Buffalo, NY, USA) ,  Pathak Archita (Department of Computer Science and Engineering, University at Buffalo, Buffalo, NY, USA) ,  Srihari Sargur N. (Department of Computer Science and Engineering, University at Buffalo, Buffalo, NY, USA)
資料名： IEEE Access  (IEEE Access)
巻： 8  ページ： 224791-224802  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： 脳波(EEG)信号は大きな変動を持ち,そのパターンは被験者間で有意に異なる。交差被験者EEG分類は,このようなパターン変動と利用可能な限られたターゲットデータのため,困難なタスクであり,新しいユーザに対するEEGデータを収集し,注釈付けすることは,人間の専門家からの努力を必要とする。転送学習問題としてタスクをモデル化し,制約付き転送学習(MLCL)に関するメタ学習でそれに取り組むことを提案した。MLCLは,既知の被験者の大規模標準データセットを訓練し,次に最小目標データを有する新しい主題に迅速に適応するエンド訓練可能な学習パラダイムである。転送プロセスは,モデル診断メタ学習(MAML)アルゴリズムの適用によって加速され,新しい制約設定の下で実行され,それは,移動に対するパラメータの数を著しく低減しながら,新しい主題に適応するために十分な柔軟性を維持する。これにより,少量のターゲットデータで適応できた。この方法は全ての深層学習指向モデルに適用できる。3つの公開データセットにわたって広範な実験を行った。提案モデルは,低ターゲット資源構成のための精度とAUC-ROCスコアの両方に関して,最新技術の現状を凌駕する。さらに,モデルに関する解釈解析を行い,移動過程に対する個々のチャネルの分解能における詳細な情報を明らかにした。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： アルゴリズム ,  *学習 ,  脳波 ,  分解能 ,  柔軟性 ,  チャネル
準シソーラス用語： 被験者 ,  メタ学習 ,  深層学習 , 【Automatic Indexing@JST】

分類 (2件)： 生体計測  (EL03020C) ,  パターン認識  (JE07000S)

タイトルに関連する用語 (7件)： リソース ,  交差 ,  被験者 ,  EEG ,  分類 ,  制約 ,  学習