Subscribe to the gold package and get unlimited access to Shamra Academy
Register a new userEffect of Changing CNN Classifier Parameters on EEG Signals Recognition Ratio
تأثير تغيير معاملات المصنف CNN في نسبة التعرف على إشارات EEG
516
0 0
0.0
(
0
)
Added by
Tishreen University ورقة بحثية
Publication date
2023
fields
Artificial Intelligence
and research's language is
العربية
Created by
Shamra Editor
Ask ChatGPT about the research
يُعدّ موضوع واجهة الدماغ والحاسوب BCI (Brain Computer Interface) وخاصةً أنظمة التعرف على الإشارات الدماغية باستخدام التعلم العميق بعد توصيف هذه الإشارات عن طريق مخطط كهربائية الدماغ EEG (Electroencephalography) من المواضيع البحثية الهامة التي تثير اهتمام الكثير من الباحثين في الوقت الراهن, وتعد الشبكات العصبونية الالتفافية CNN (Convolutional Neural Nets) من أهم مصنفات التعلم العميق المستخدمة في عملية التعرف هذه، إلا أنه لم يتم بعد تحديد بارامترات هذا المصنف بشكل دقيق بحيث يعطي أعلى نسبة تعرف ممكنة وبأقل زمن تدريب وزمن تعرف ممكن. يقترح هذا البحث نظام تعرف على إشارات EEG باستخدام شبكة CNN مع دراسة تأثير تغيير بارامترات هذه الشبكة على نسبة التعرف وزمني التدريب والتعرف على الإشارات الدماغية, وبالنتيجة تم الحصول بواسطة نظام التعرف المقترح على نسبة تعرف 76.38 %, وانقاص زمن تدريب المصنف (3 seconds) باستخدام النمط المكاني المشترك CSP (Common Spatial Pattern) في عملية المعالجة المسبقة لقاعدة البيانات IV2b, كما تم الوصول لنسبة تعرف 76.533 % من خلال إضافة طبقة للمصنف المقترح.
Brain Computer Interface (BCI), especially systems for recognizing brain signals using deep learning after characterizing these signals as EEG (Electroencephalography), is one of the important research topics that arouse the interest of many researchers currently. Convolutional Neural Nets (CNN) is one of the most important deep learning classifiers used in this recognition process, but the parameters of this classifier have not yet been precisely defined so that it gives the highest recognition rate and the lowest possible training and recognition time. This research proposes a system for recognizing EEG signals using the CNN network, while studying the effect of changing the parameters of this network on the recognition rate, training time, and recognition time of brain signals, as a result the proposed recognition system was achieved 76.38 % recognition rate, And the reduction of classifier training time (3 seconds) by using Common Spatial Pattern (CSP) in the preprocessing of IV2b dataset, and a recognition rate of 76.533% was reached by adding a layer to the proposed classifier.
Artificial intelligence review:
Research summary
تتناول هذه الدراسة تأثير تغيير معاملات شبكة التصنيف العصبية الالتفافية (CNN) على نسبة التعرف على إشارات الدماغ باستخدام مخطط كهربائية الدماغ (EEG). تعتبر واجهة الدماغ والحاسوب (BCI) من المواضيع البحثية الهامة، حيث تستخدم أنظمة التعرف على الإشارات الدماغية باستخدام تقنيات التعلم العميق مثل CNN. يهدف البحث إلى تحديد أفضل معاملات لشبكة CNN لتحقيق أعلى نسبة تعرف وأقل زمن تدريب واختبار. تم تحقيق نسبة تعرف 76.38% باستخدام النمط المكاني المشترك (CSP) في المعالجة المسبقة لقاعدة البيانات IV2b، وتم تحسين النسبة إلى 76.533% بإضافة طبقة جديدة للمصنف. تم اختبار النظام المقترح على منصة Google Colab باستخدام معالج رسوميات وذاكرة وصول عشوائي كبيرة، وتم تحليل النتائج باستخدام مصفوفة الارتباك ومعايير الدقة والمنطقة تحت المنحنى (AUC). توصلت الدراسة إلى أن استخدام CSP في المجال الزمني لم يؤثر بشكل كبير على نسبة التعرف، وأن إضافة طبقات جديدة إلى المصنف يحسن الأداء بشكل طفيف ولكن يزيد من زمن التدريب والاختبار بشكل ملحوظ. توصي الدراسة باستخدام شبكات CNN هجينة مع مصنفات أخرى مثل مصنف الغابة العشوائية (Random Forest Classifier) وزيادة عمليات المعالجة الأولية باستخدام خوارزميات تتناسب مع طبيعة المصنف CNN.
Critical review
دراسة نقدية: على الرغم من أن البحث يقدم إسهامات قيمة في مجال التعرف على إشارات الدماغ باستخدام شبكات CNN، إلا أنه يمكن توجيه بعض النقد البناء. أولاً، نسبة التعرف التي تم تحقيقها (76.38%) لا تزال منخفضة نسبياً مقارنة ببعض الدراسات الأخرى في المجال، مما يشير إلى الحاجة لمزيد من التحسينات في تصميم الشبكة والمعالجة المسبقة للإشارات. ثانياً، لم يتم اختبار النظام المقترح على مجموعة بيانات متنوعة، مما يحد من إمكانية تعميم النتائج على تطبيقات أخرى. ثالثاً، زيادة زمن التدريب والاختبار بشكل كبير عند إضافة طبقات جديدة يشير إلى أن النظام قد يكون غير عملي للاستخدام في الوقت الحقيقي. أخيراً، كان من الممكن تقديم تحليل أعمق لتأثير معاملات الشبكة المختلفة على الأداء، مما يساعد في فهم أفضل للعوامل المؤثرة على نسبة التعرف.
Questions related to the research
-
ما هي نسبة التعرف التي تم تحقيقها باستخدام النظام المقترح؟
تم تحقيق نسبة تعرف 76.38% باستخدام النمط المكاني المشترك (CSP) في المعالجة المسبقة لقاعدة البيانات IV2b، وتم تحسين النسبة إلى 76.533% بإضافة طبقة جديدة للمصنف.
-
ما هو تأثير استخدام النمط المكاني المشترك (CSP) على نسبة التعرف؟
استخدام النمط المكاني المشترك (CSP) في المجال الزمني لم يؤثر بشكل كبير على نسبة التعرف، ولكن أدى إلى تقليل زمن التدريب بأربع ثواني وسطياً.
-
ما هي التوصيات التي قدمتها الدراسة لتحسين أداء النظام؟
توصي الدراسة باستخدام شبكات CNN هجينة مع مصنفات أخرى مثل مصنف الغابة العشوائية (Random Forest Classifier) وزيادة عمليات المعالجة الأولية باستخدام خوارزميات تتناسب مع طبيعة المصنف CNN.
-
ما هي المنصة التي تم استخدامها لإجراء المحاكاة في هذا البحث؟
تم إجراء المحاكاة على منصة Google Colab باستخدام معالج رسوميات وذاكرة وصول عشوائي كبيرة.
References used
O. Trifonova, P. Lokhov, metabolic Profiling ofHuman Blood. Biomeditsinskaya Khimiya, Vol. 60, No. 3.pp. 281-294, 2014.
C.SWEENEY, E. ENNIS, M. MULVENNA, R. BOND, S. O'NEILL.How Machine Learning Classification Accuracy Changes in a Happiness Dataset with Different Demographic Groups. Computers, VOL.11, NO.5, 2022.
M. CONGEDO, L. KORCZOWSKI, A. DELORME AND F. LOPES DA SILVA. Spatio-temporal common pattern: A companion method for ERP analysis in the time domain. Journal of Neuroscience Methods, Vol. 267, pp. 74-88, 2016.
] H. MEISHERI, N. RAMRAO, S. MITRA, Multiclass Common Spatial Pattern for EEGbased BrainComputer Interface with Adaptive Learning Classifier. arXiv: abs/1802.09046, 2018.
rate research
Read More
Due to the popularity of intelligent dialogue assistant services, speech emotion recognition has become more and more important. In the communication between humans and machines, emotion recognition and emotion analysis can enhance the interaction be
tween machines and humans. This study uses the CNN+LSTM model to implement speech emotion recognition (SER) processing and prediction. From the experimental results, it is known that using the CNN+LSTM model achieves better performance than using the traditional NN model.
The application of this research was implemented at the laboratories of
Food Science Department, Agriculture College, Damascus University in order
to investigate the effect of different ratios of added oil upon the rheological,
chemical and microb
ial characteristics of mayonnaise. The traditional
mayonnaise was made from fresh egg, vinegar, salt, mustard, citric acid and
corn oil at 70% ratio, to be used as a standard. Two changes in the oil ratio:
40% and 50% were applied for obtaining lower oil mayonnaise, with fewer
calories (Diet). The influence of adding Xantan gum as a substitute to oil
reduction, on the properties of final product was also investigated. Results
showed that the addition of Xantan gum at 1.5% was necessary to complement
the reduction in the added oil. The results also confirmed that reduction in the
added oil of the diet mayonnaise led to reduction in viscosity and firmness when
compared with the standard mayonnaise.
Speech denoising is a field of engineering that studies techniques used to recover the
original signal from the noisy signal corrupted with different types of noise, such as
broadband noise and narrowband noise, and other types present in environme
nt, but the
spectral subtraction technique consider the most prominent in this area .
In this search we will discuss the parameters impact of the modified spectral
subtraction algorithm and the time window length in the enhancement of speech that
corrupted with broadband noise. We done the study and determine the ideal parameters
values and the ideal window length with different values for the signal -to-noise ratio SNR
for noisy speech and we discuss 18 case for each value. We done
the simulation using MATLAB software and the results were compared based on
improving the value of SNR for each case .
Transformer models fine-tuned with a sequence labeling objective have become the dominant choice for named entity recognition tasks. However, a self-attention mechanism with unconstrained length can fail to fully capture local dependencies, particula
rly when training data is limited. In this paper, we propose a novel joint training objective which better captures the semantics of words corresponding to the same entity. By augmenting the training objective with a group-consistency loss component we enhance our ability to capture local dependencies while still enjoying the advantages of the unconstrained self-attention mechanism. On the CoNLL2003 dataset, our method achieves a test F1 of 93.98 with a single transformer model. More importantly our fine-tuned CoNLL2003 model displays significant gains in generalization to out of domain datasets: on the OntoNotes subset we achieve an F1 of 72.67 which is 0.49 points absolute better than the baseline, and on the WNUT16 set an F1 of 68.22 which is a gain of 0.48 points. Furthermore, on the WNUT17 dataset we achieve an F1 of 55.85, yielding a 2.92 point absolute improvement.
Abstract We study learning named entity recognizers in the presence of missing entity annotations. We approach this setting as tagging with latent variables and propose a novel loss, the Expected Entity Ratio, to learn models in the presence of syste
matically missing tags. We show that our approach is both theoretically sound and empirically useful. Experimentally, we find that it meets or exceeds performance of strong and state-of-the-art baselines across a variety of languages, annotation scenarios, and amounts of labeled data. In particular, we find that it significantly outperforms the previous state-of-the-art methods from Mayhew et al. (2019) and Li et al. (2021) by +12.7 and +2.3 F1 score in a challenging setting with only 1,000 biased annotations, averaged across 7 datasets. We also show that, when combined with our approach, a novel sparse annotation scheme outperforms exhaustive annotation for modest annotation budgets.1
suggested questions
Log in to be able to interact and post comments
comments
Fetching comments
Sign in to be able to follow your search criteria
