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。
最近,自然言語処理(NLP)における変圧器ネットワークの前例のない成功により,それらはコンピュータビジョン,生成敵対ネットワーク(GAN),および強化学習のような分野にうまく適応されている。分類脳波(EEG)データは挑戦的であり,研究者は前処理と手作業特徴抽出に過度に依存する。いくつかの他のドメインで自動特徴抽出を達成したにもかかわらず,深層学習はまだEEGに対して達成されていない。本論文では,生EEGデータ(洗浄および前処理)の分類のための変圧器ネットワークの有効性を調査した。変圧器ネットワークの性能を,局所(年齢と性別データ)と公共データセット(STEW)で評価した。最初に,変圧器ネットワークを用いた分類器を構築し,生の静止状態EEGデータを持つ人の年齢と性別を分類した。第2に,分類器はオープンアクセス生マルチタスクメンタル作業負荷EEGデータ(STEW)による精神的作業負荷分類のために調整される。ネットワークは,局所(AgeおよびGenderデータセット,94.53%(性別)および87.79%(年齢))および公衆(STEWデータセット;95.28%(2作業負荷レベル)および88.72%(3作業負荷レベル))データセットの両者について,最先端の精度に匹敵する精度を達成した。特徴抽出なしに生EEGデータを用いて精度値を達成した。結果は,変圧器ベースの深層学習モデルが,成功する分類のためのEEGデータの重い特徴抽出の必要性を,首尾よく軽減できることを示した。【JST・京大機械翻訳】