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。
新しいユーザのためのシステムを調整するため,モータ画像ベースの脳-コンピュータインタフェイス(MI-BCI)において,キャリブレーション手順が必要である。この手続きは時間がかかり,また,キャリブレーションフェーズを削減するための被験者に依存しないMI-BCIシステムを開発するのにシステムを用いることから「イーブユーザ」は,MI信号の主題依存特性のために依然として困難である。機械学習と深層学習に基づく多くのアルゴリズムが,BCIシステムの主題から主題への一般化を改善するために,MI信号から高レベル特徴を抽出するために開発されたが,これらの方法は,様々なMI信号を識別するのに有用な教師付き学習と抽出特徴に基づいており,これらのアプローチは,MI信号における共通の根底にあるパターンを見つけることができず,それらの一般化レベルは制限される。本論文では,キャリブレーションフェーズを回避するための教師つきオートエンコーダ(SAE)に基づく主題独立MI-BCIを提案した。提案したフレームワークは,BCI競争IVからデータセット2a上で検証した。シミュレーション結果は,著者らのSISAEモデルが,9人の被験者のうち8つで,平均カッパ値に関して,一般的で広く使用されたBCIアルゴリズム,一般的空間およびフィルタバンク共通空間パターンより優れていることを示した。【JST・京大機械翻訳】