Submitted 29 August, 2024; originally announced September 2024. , Comments: This paper has been accepted by the Fourth International Workshop on Human Brain and Artificial Intelligence, joint workshop of the 33rd International Joint Conference on Artificial Intelligence, Jeju Island, South Korea, from August 3rd to August 9th, 2024
توضیحات به فارسی
ارسال شده 29 اوت 2024 ؛در ابتدا در سپتامبر 2024 اعلام شد. ، نظرات: این مقاله توسط چهارمین کارگاه بین المللی در مورد مغز انسان و هوش مصنوعی ، کارگاه مشترک 33 مین کنفرانس مشترک بین المللی در مورد هوش مصنوعی ، جزیره ججو ، کره جنوبی ، از 3 اوت تا 9 اوت پذیرفته شده است.2024
کتاب پرسش و پاسخ چهارگزینهای – نسخه یادگیری سریع
— پاسخها بلافاصله بعد از سؤال برای مرور سریع
مشاهده نمونه نسخه کوییز سریع
کتاب پرسش و پاسخ چهارگزینهای – نسخه خودآزمایی
— پاسخها در انتهای بخشها برای سنجش واقعی یادگیری
مشاهده نمونه نسخه آزمونی
🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتابها، تمرینها و خودآزمایی.
ℹ️ نکات مهم هنگام خرید
این محصول به صورت فایل دانلودی کامل ارائه میشود.
توجه: لینکهای اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال میشوند.
دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینکها را دریافت نکردهاید، نام و نام خانوادگی و نام محصول را پیامک کنید تا
لینکها دوباره ارسال شوند.
💬 راههای ارتباطی پشتیبانی: واتساپ یا هر پیام رسان داخلی یا پیامک:
09395106248 تلگرام: @ma_limbs
چکیده
While deep learning models have been extensively utilized in motor imagery based EEG signal recognition, they often operate as black boxes. Motivated by neurological findings indicating that the mental imagery of left or right-hand movement induces event-related desynchronization (ERD) in the contralateral sensorimotor area of the brain, we propose a Mirror Contrastive Loss based Sliding Window Transformer (MCL-SWT) to enhance subject-independent motor imagery-based EEG signal recognition. Specifically, our proposed mirror contrastive loss enhances sensitivity to the spatial location of ERD by contrasting the original EEG signals with their mirror counterparts-mirror EEG signals generated by interchanging the channels of the left and right hemispheres of the EEG signals. Moreover, we introduce a temporal sliding window transformer that computes self-attention scores from high temporal resolution features, thereby improving model performance with manageable computational complexity. We evaluate the performance of MCL-SWT on subject-independent motor imagery EEG signal recognition tasks, and our experimental results demonstrate that MCL-SWT achieved accuracies of 66.48% and 75.62%, surpassing the state-of-the-art (SOTA) model by 2.82% and 2.17%, respectively. Furthermore, ablation experiments confirm the effectiveness of the proposed mirror contrastive loss. A code demo of MCL-SWT is available at https://github.com/roniusLuo/MCL_SWT.
چکیده به فارسی (ترجمه ماشینی)
در حالی که از مدل های یادگیری عمیق در تشخیص سیگنال EEG مبتنی بر تصاویر حرکتی استفاده شده است ، آنها اغلب به عنوان جعبه های سیاه عمل می کنند.با انگیزه یافته های عصبی نشان می دهد که تصاویر ذهنی حرکت دست چپ یا راست باعث ایجاد ضایعات مربوط به رویداد (ERD) در ناحیه حرکتی متضاد مغز می شود ، ما یک ترانسفورماتور پنجره کشویی مبتنی بر ضرر متضاد (MCL-SWT) را پیشنهاد می کنیم تا تقویت شود.تشخیص سیگنال EEG مبتنی بر تصاویر مستقل از موضوع.به طور خاص ، از دست دادن متضاد آینه پیشنهادی ما با تقابل سیگنال های اصلی EEG با سیگنال های آینه آینه خود ، با تغییر کانال های نیمکره های چپ و راست سیگنال های EEG ، حساسیت به محل مکانی ERD را افزایش می دهد.علاوه بر این ، ما یک ترانسفورماتور پنجره کشویی زمانی را معرفی می کنیم که نمرات خود را از ویژگی های وضوح زمانی بالا محاسبه می کند ، در نتیجه عملکرد مدل را با پیچیدگی محاسباتی قابل کنترل بهبود می بخشد.ما عملکرد MCL-SWT را در زمینه های شناسایی موتور مستقل از موضوع به تشخیص سیگنال EEG ارزیابی می کنیم ، و نتایج تجربی ما نشان می دهد که MCL-SWT دقت 66.48 ٪ و 75.62 ٪ را به دست آورد ، و از مدل پیشرفته (SOTA) پیشی گرفته است.به ترتیب 2.82 ٪ و 2.17 ٪.علاوه بر این ، آزمایش های فرسایش اثربخشی از دست دادن متضاد آینه پیشنهادی را تأیید می کنند.نسخه ی نمایشی کد MCL-SWT در https://github.com/roniusluo/mcl_swt در دسترس است.
📚 محتوای این محصول آموزشی (پکیج کامل)
علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیقتر و تسلط کامل بر مباحث مجموعهای از کتابهای آموزشی نیز ارائه میشود.
کتاب پرسش و پاسخ چهارگزینهای – نسخه یادگیری سریع
— پاسخها بلافاصله بعد از سؤال برای مرور سریع
مشاهده نمونه نسخه کوییز سریع
کتاب پرسش و پاسخ چهارگزینهای – نسخه خودآزمایی
— پاسخها در انتهای بخشها برای سنجش واقعی یادگیری
مشاهده نمونه نسخه آزمونی
🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتابها، تمرینها و خودآزمایی.
ℹ️ نکات مهم هنگام خرید
این محصول به صورت فایل دانلودی کامل ارائه میشود.
توجه: لینکهای اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال میشوند.
دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینکها را دریافت نکردهاید، نام و نام خانوادگی و نام محصول را پیامک کنید تا
لینکها دوباره ارسال شوند.
💬 راههای ارتباطی پشتیبانی: واتساپ یا هر پیام رسان داخلی یا پیامک:
09395106248 تلگرام: @ma_limbs
