生EEGデータ分類のための変圧器ネットワークの有効性【JST・京大機械翻訳】

Siddhad Gourav; Gupta Anmol; Dogra Debi Prosad; Roy Partha Pratim

プレプリント

J-GLOBAL ID：202202213996635242 整理番号：22P0287782

生EEGデータ分類のための変圧器ネットワークの有効性【JST・京大機械翻訳】

Efficacy of Transformer Networks for Classification of Raw EEG Data

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 (4件)： , , ,
資料名：
発行年： 2022年02月08日プレプリントサーバーでの情報更新日： 2022年02月08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。

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】

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

生体計測 , 人工知能

, , ,

前のページに戻る