EEG-ITNet:運動画像分類のための説明可能な受信時間畳込みネットワーク【JST・京大機械翻訳】

Salami Abbas; Andreu-Perez Javier; Gillmeister Helge

プレプリント

J-GLOBAL ID：202202206644006966 整理番号：22P0332235

EEG-ITNet:運動画像分類のための説明可能な受信時間畳込みネットワーク【JST・京大機械翻訳】

EEG-ITNet: An Explainable Inception Temporal Convolutional Network for Motor Imagery Classification

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (3件)： , ,
資料名：
発行年： 2022年04月14日プレプリントサーバーでの情報更新日： 2022年04月14日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

※このプレプリント論文は学術誌に掲載済みです。なお、学術誌掲載の際には一部内容が変更されている可能性があります。

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】

, , , , , , , , , , , , ,
, , 【Automatic Indexing@JST】

人工知能 , 脳・神経系モデル

, , , ,

前のページに戻る