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。
近年,ニューラルネットワークおよび特に深いアーキテクチャは,脳-コンピュータインタフェース(BCI)の分野におけるEEG信号解析に対して大きな注目を集めている。この進行中の研究分野において,エンドツーエンドモデルは,信号変換事前分類を必要とする従来の手法よりも有利である。それらは専門家からの事前情報の必要性と手作業特徴の抽出を除去できる。しかし,いくつかの深層学習アルゴリズムは既に文献で提案されているが,運動または精神的タスクを分類するための高精度を達成し,それらはしばしば解釈可能性の欠如に直面しており,従って神経科学コミュニティによっては有利ではない。この課題の背後にある理由は,多数のパラメータおよび深いニューラルネットワークの感度であり,小さいが無関係な識別特徴を捉えることである。EEG-ITNetと呼ばれるエンドツーエンド深層学習アーキテクチャと,ネットワーク学習パターンを可視化するより分かりやすい方法を提案した。拡張による開始モジュールと因果畳込みを使用して,著者らのモデルは,EEG開始とEEG-TCNetのような他の既存のエンドツーエンドアーキテクチャより,より少ない複雑性(訓練可能パラメータの数に関して)で,多チャネルEEG信号から豊富なスペクトル,空間,および時間情報を抽出することができる。BCI競争IVとOpenBMIモータ画像データセットからのデータセット2aの徹底的な評価によって,EEG-ITNetは,その競争者と比較して,統計的重要性を有する異なるシナリオにおける分類精度において最大5.9%の改善を示した。また,神経科学的観点からネットワーク説明の妥当性を包括的に説明し,サポートした。また,著者らのコードをhttps://github.com/AbbasSalami/EEG ITNetで開いた。【JST・京大機械翻訳】