Jove
Visualize
お問い合わせ
JoVE
x logofacebook logolinkedin logoyoutube logo
JoVEについて
概要リーダーシップブログJoVEヘルプセンター
著者向け
出版プロセス編集委員会範囲と方針査読よくある質問投稿
図書館員向け
推薦の声購読アクセスリソース図書館諮問委員会よくある質問
研究
JoVE JournalMethods CollectionsJoVE Encyclopedia of Experimentsアーカイブ
教育
JoVE CoreJoVE BusinessJoVE Science EducationJoVE Lab Manual教員リソースセンター教員サイト
利用規約
プライバシーポリシー
ポリシー

関連する概念動画

Seizures: Classification01:13

Seizures: Classification

Epilepsy is primarily characterized by unpredictable seizures, either provoked by an identifiable factor, such as injury or illness, or unprovoked, occurring spontaneously without apparent cause.
Seizures are typically classified into two main categories: focal and generalized seizures.
Focal Seizures
Focal seizures originate from specific regions of the brain. These seizures are further sub-classified into two types:
Classification of Signals01:30

Classification of Signals

In signal processing, signals are classified based on various characteristics: continuous-time versus discrete-time, periodic versus aperiodic, analog versus digital, and causal versus noncausal. Each category highlights distinct properties crucial for understanding and manipulating signals.
A continuous-time signal holds a value at every instant in time, representing information seamlessly. In contrast, a discrete-time signal holds values only at specific moments, often denoted as x(n), where...

こちらも読む

関連記事

共著者、ジャーナル、引用グラフによってこの研究に関連する記事。

並び替え
Same author

Leveraging reinforcement learning for an efficient windows registry analysis during cyber incident response.

Scientific reports·2026
Same author

Adaptive Bandelet Transform and Transfer Learning for Geometry-Aware Thyroid Cancer Ultrasound Classification.

Diagnostics (Basel, Switzerland)·2026
Same author

Adaptive Hybrid PSO-APF Algorithm for Advanced Path Planning in Next-Generation Autonomous Robots.

Sensors (Basel, Switzerland)·2025
関連記事をすべて見る

関連する実験動画

Updated: May 11, 2026

Simultaneous Scalp Electroencephalography EEG, Electromyography EMG, and Whole-body Segmental Inertial Recording for Multi-modal Neural Decoding
11:25

Simultaneous Scalp Electroencephalography EEG, Electromyography EMG, and Whole-body Segmental Inertial Recording for Multi-modal Neural Decoding

Published on: July 26, 2013

44.0K

最小ランダムなコンボリューションカーネル変換とハイブリッドディープラーニングを使用して,モーター画像EEG信号の分類.

Jamal Hwaidi1, Mohamed Chahine Ghanem2

  • 1Department of Engineering, City St George, University of London, EC1V 0HB, London, UK.

NeuroImage
|February 20, 2026
PubMed
まとめ

この研究は,脳-コンピュータインターフェース (BCI) での電気脳図 (EEG) 信号を分類するために,Minimally Random Convolutional Kernel Transform (MiniRocket) を用いた新しい方法を導入しています. MiniRocketのアプローチは,モーター画像タスクのディープラーニングモデルと比較して,優れた精度と効率を達成しました.

キーワード:
コンヴォルションニューラルネットワーク (Convolutional neural network) とはディープラーニングとは,ディープラーニングです.EEG,EEG,EEG,EEG,EEG,EEG,EEG,EEG,EEG,EEG,EEG,EEG,EEG,EEG,EEG,EEG,EEG,EEG,EEG,EEG,EEG,EEG,EEG,EEG,EEG,EEG,EEG,EEG,EEG,EEG,EEG,EEG,EEG,EEG,EEG,EEG,EEG,EEG,EEG,EEG,EEG,EEG,EEG,EEG,EEG,EEG,EEG,EEG,EEG,EEG,EEG,EEG,EEG,EEG,EEG,EEG,EEG,EEG,EEG,EEG,EEG,EEG,EEG,EEG,EEG,EEG,EEG,EEG,EEG,EEG,EEG,EEG,EEG,EEG,EEG,EEG,EEG,EEG,EEG,EEG,EEG,EEG,EEG,EEG,EEG,EEG,EEG,EEG,EEG,EEG,EEG,EEG,EEG,EEG,EEG,EEG,EEG,EEG,EEG,EEG,EEG,EEG,EEG,EEG,EEG,EEG,EEG,EEG,EEG,EEG,EEG,EEG,EEG,EEG,EEG,EEG,EEG,EEG,EEG,EEG,EEG,EEG,EEG,EEG,EEG,EEG,EEG,E,EEG,EEG,EEG,EEG,EEG,EEG,EEG,E,EEG,E,E,E,E-E-E-E-E-E-E-E-E-E-E-E-E-E-E-E-エレクトロエンセファログラフィーです.長期的な短期記憶は,最小ランダムなコンヴォルショナルのカーネル変換.モーター画像は,モーターイメージです.シグナル分類 シグナル分類

さらに関連する動画

STFEEG-Tool: A Spatial-Temporal-Frequency EEG Analysis Tool for Motor Imagery Brain-Computer Interfaces
05:36

STFEEG-Tool: A Spatial-Temporal-Frequency EEG Analysis Tool for Motor Imagery Brain-Computer Interfaces

Published on: March 10, 2026

114

関連する実験動画

Last Updated: May 11, 2026

Simultaneous Scalp Electroencephalography EEG, Electromyography EMG, and Whole-body Segmental Inertial Recording for Multi-modal Neural Decoding
11:25

Simultaneous Scalp Electroencephalography EEG, Electromyography EMG, and Whole-body Segmental Inertial Recording for Multi-modal Neural Decoding

Published on: July 26, 2013

44.0K
STFEEG-Tool: A Spatial-Temporal-Frequency EEG Analysis Tool for Motor Imagery Brain-Computer Interfaces
05:36

STFEEG-Tool: A Spatial-Temporal-Frequency EEG Analysis Tool for Motor Imagery Brain-Computer Interfaces

Published on: March 10, 2026

114

科学分野:

  • 神経科学は神経科学である.
  • バイオメディカルエンジニアリング
  • 機械学習 (Machine Learning) とは,機械学習 (Machine Learning) について学ぶことです.

背景:

  • 脳-コンピュータ インターフェース (BCI) は,脳と外部デバイスの間の直接的な通信を可能にします.
  • 電気脳図 (EEG) は,脳信号を捉えるための重要な非侵襲的な技術です.
  • モーターイメージングEEG (MI-EEG) 信号の分類は,信号の非静止性,時間変動,および個々の多様性のために課題を提示します.

研究 の 目的:

  • MI-EEG信号の正確な分類のための新しい方法を提案する.
  • モーター画像のタスクの機能抽出効率を高めるために.
  • 提案されたメソッドのパフォーマンスをディープラーニングモデルと比較する.

主な方法:

  • 最小ランダムコンボリューションカーネル変換 (MiniRocket) を使用して特性の抽出.
  • 抽出された特徴の分類は,線形分類器を用いて行われます.
  • ベースラインとしてコンボリューションニューラルネットワーク (CNN) と長期短期記憶 (LSTM) ディープラーニングモデルの開発.
  • PhysioNetとBCI Comp IV 2aのデータセットに関する評価

主要な成果:

  • MiniRocketは,両方のデータセットでCNN-LSTMベースラインよりも高い分類精度を達成しました.
  • MiniRocketは,より低いコンピューティングコストで優れたパフォーマンスを実証しました.
  • 平均精度:PhysioNetでは98.63% (ミニロケット) と98.06% (CNN-LSTM),BCI Comp IV 2a.で92.57% (ミニロケット) と92.32% (CNN-LSTM) でした.

結論:

  • 提案されたMiniRocketベースのアプローチは,MI-EEG分類の精度を大幅に向上させます.
  • この方法は,BCIにおける機能抽出のためのディープラーニングの効率的な代替案を提供します.
  • この発見は,MI-EEG信号処理と分類に関する新しい洞察を提供し,将来的に電極-ソース融合の作業を提案し,頑丈性を向上させる.