文献

J-GLOBAL ID：202202225921274667   整理番号：22A0839256

脳波からのメンタルタスク分類のための一次元畳込みニューラルネットワークアーキテクチャ【JST・京大機械翻訳】

One-dimensional convolutional neural network architecture for classification of mental tasks from electroencephalogram

著者 (3件)： Saini Manali (Shiv Nadar University, India) ,  Satija Udit (Indian Institute of Technology Patna, India) ,  Upadhayay Madhur Deo (Shiv Nadar University, India)
資料名： Biomedical Signal Processing and Control  (Biomedical Signal Processing and Control)
巻： 74  ページ： Null  発行年： 2022年 
JST資料番号： W3347A  ISSN： 1746-8094  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： オランダ (NLD)  言語： 英語 (EN)

抄録/ポイント： リアルタイムにおける単一/制限チャネル(s)脳波(EEG)信号を用いた認知/メンタルタスク分類は,携帯用脳-コンピュータインタフェイス(BCI)とニューロフィードバック(NFB)システムの設計において重要な役割を担っている。しかし,リアルタイム記録EEG信号は,しばしば眼アーチファクト(OA)と筋肉アーチファクト(MA)で汚染され,EEG信号から抽出した手作業特徴を悪化させ,認知課題の不適切な分類をもたらす。そこで,手動特徴抽出やアーチファクト抑制を必要としない深層学習技術の使用を検討した。本論文では,認知タスク分類のための浅い一次元畳込みニューラルネットワーク(1D-CNN)アーキテクチャを提案した。提案アーキテクチャのロバスト性を,認知/非認知バイナリタスク分類だけでなく認知/認知マルチタスク分類を行うだけでなく,単一チャネルデバイスを用いて記録された,2つの公的に利用可能なデータベース(すなわち,KirnおよびAunon(K)データベースおよびEEGMAT(E)データベース)およびインハウス(R)データベースから取得したアーチファクトフリーおよびアーチファクト汚染EEG信号を用いて評価した。評価結果は,提案したアーキテクチャが,データベースKにおいて,マルチクラス分類とペアワイズ分類に対して,それぞれ99.70%と100.00%の最高被験者独立分類精度を達成することを証明した。さらに,データベースEとRにおいて,それぞれ99.00%と98.00%の主題独立分類精度を達成した。比較性能分析は,提案したアーキテクチャが,分類精度だけでなく,アーチファクトに対するロバスト性においても,既存の手法よりも性能が優れていることを示した。Copyright 2022 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： *畳込み ,  データベース ,  *脳波 ,  *ニューラルネットワーク ,  特徴抽出 ,  *一次元 ,  *計算機アーキテクチャ ,  性能分析 ,  ロバスト性 ,  アーチファクト ,  機械学習
準シソーラス用語： 被験者 ,  ブレインコンピュータインタフェイス ,  マルチタスク ,  脳波信号 ,  深層学習 ,  *畳込みニューラルネットワーク , 【Automatic Indexing@JST】

著者キーワード (4件)： 脳波 ,  メンタルタスク分類 ,  深層学習 ,  畳込みニューラルネットワーク

分類 (2件)： 生体計測  (EL03020C) ,  パターン認識  (JE07000S)

タイトルに関連する用語 (4件)： 脳波 ,  分類 ,  畳込みニューラルネットワーク ,  アーキテクチャ