文献

J-GLOBAL ID：202202271219895472   整理番号：22A1163791

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

著者 (3件)： Salami Abbas (School of Computer Science and Electronic Engineering, University of Essex, Colchester, U.K.) ,  Andreu-Perez Javier (School of Computer Science and Electronic Engineering, University of Essex, Colchester, U.K.) ,  Gillmeister Helge (Department of Psychology, University of Essex, Colchester, U.K.)
資料名： IEEE Access  (IEEE Access)
巻： 10  ページ： 36672-36685  発行年： 2022年 
JST資料番号： W2422A  ISSN： 2169-3536  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 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の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,https://github.com/AbbasSalami/EEG-ITNetで自由にアクセスできるコードを作成した。Copyright 2022 The Institute of Electrical and Electronics Engineers, Inc. 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 ,  学習 ,  *ネットワーク ,  ニューラルネットワーク ,  *受信 ,  可視化 ,  スペクトル ,  信号変換 ,  エンドツーエンド方式 ,  神経科学 ,  計算機アーキテクチャ ,  機械学習 ,  学習アルゴリズム
準シソーラス用語： 事前知識 ,  *画像分類 ,  深層学習 , 【Automatic Indexing@JST】

分類 (1件)： パターン認識  (JE07000S)

タイトルに関連する用語 (5件)： EEG ,  運動 ,  画像分類 ,  説明 ,  畳込み