脳波関係の論文をまとめていきます。
国際会議で出されている論文を中心に落合フォーマットにまとめていきます。
質問、間違いはガンガン受け入れます。コメントに書いてもらえると感謝です。
Few-Shot Relation Learning with Attention for EEG-based Motor Imagery Classification
1.どんなもの？
限られた MI EEG データでそれらを分類する方法を効率的に学習できる、新しい双方向少数ショット ネットワークを提案しています。
限られたとは脳波はノイズが多く空間分解能(近い距離にある２つの物体を２つのものとして区別できる最小の距離)が低いため分類が難しい。
少数ショット分類はクラスごとに少数のラベル付きサンプルのみが与えられた場合に、トレーニング中に見られないクラスに対応するために分類器を適応させる。
Few-Shotに関して詳しく知りたい方はこちらをどうぞ
https://qiita.com/ell/items/9e9de65521c8b935d28f
E2E学習が行われています。
2.先行研究と比べてどこがすごい？
従来研究の機械学習はXGBoostなどを使用し分類が行われている。
しかしながら、周波数帯域を定義するなどのヒューリスティックなパラメーター設定が必要であり、タスクや被験者ごとに最適なパラメーターが異なるため、パフォーマンスが制限されていました。
深層学習手法は従来の方法よりもパフォーマンスが向上しているにもかかわらず、被験者ごとのトレーニング サンプルが限られている場合、深層学習の方法は失敗することがよくあります。
3.技術や手法のキモはどこ？
Embedding Module->Attention Module->Relation Moduleという構造(画像は著作権が怖いので載せてません）
Few-shot learningは脳波で応用されている事例[1][2]が少ないよってEEG分類としてはこれが初めてだと思われる。
4.どうやって有効だと検証した？
データはBCIコンペティションと７人での検証データを使用
HS-CNN-Few,ALL[1]とRelationNetで精度比較とこれらにfew shot settingした時のそれぞれの精度尾の違い。
few shot settingの効果
同じ被験者データ内でのトレーニングとテストにデータ拡張を使用すると、HS-CNN のパフォーマンスが向上した。
BCIコンペティションのデータもは精度が向上した。
5.議論はある？
BCIコンペティションのデータもは精度が向上したが上がり幅がそこまで大きく効果があるか疑問。
6.次に読むべき論文は？
[1]HS-CNN: a CNN with hybrid convolution scale for EEG motor imagery classification