Machine Learning,Artificial Intelligence,Computer Vision and Pattern Recognition,Human-Computer Interaction,Signal Processing,یادگیری ماشین , هوش مصنوعی , چشم انداز رایانه و تشخیص الگوی , تعامل انسان و رایانه , پردازش سیگنال ,
توضیحات
Submitted 6 September, 2024; originally announced September 2024. , Comments: Supplementary materials and source codes are available on-line at https://github.com/Max-Phairot-A/MixNet , Journal ref: IEEE Internet of Things Journal 2024
توضیحات به فارسی
ارسال شده در 6 سپتامبر 2024 ؛در ابتدا سپتامبر 2024 اعلام شد ، نظرات: مواد تکمیلی و کدهای منبع به صورت آنلاین در https://github.com/max-phairot-a/mixnet ، مجله Ref: IEEE Internet of Things Journal 2024 در دسترس است.
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
Recent advances in deep learning (DL) have significantly impacted motor imagery (MI)-based brain-computer interface (BCI) systems, enhancing the decoding of electroencephalography (EEG) signals. However, most studies struggle to identify discriminative patterns across subjects during MI tasks, limiting MI classification performance. In this article, we propose MixNet, a novel classification framework designed to overcome this limitation by utilizing spectral-spatial signals from MI data, along with a multitask learning architecture named MIN2Net, for classification. Here, the spectral-spatial signals are generated using the filter-bank common spatial patterns (FBCSPs) method on MI data. Since the multitask learning architecture is used for the classification task, the learning in each task may exhibit different generalization rates and potential overfitting across tasks. To address this issue, we implement adaptive gradient blending, simultaneously regulating multiple loss weights and adjusting the learning pace for each task based on its generalization/overfitting tendencies. Experimental results on six benchmark data sets of different data sizes demonstrate that MixNet consistently outperforms all state-of-the-art algorithms in subject-dependent and -independent settings. Finally, the low-density EEG MI classification results show that MixNet outperforms all state-of-the-art algorithms, offering promising implications for Internet of Thing (IoT) applications, such as lightweight and portable EEG wearable devices based on low-density montages.
چکیده به فارسی (ترجمه ماشینی)
پیشرفت های اخیر در یادگیری عمیق (DL) به طور قابل توجهی تحت تأثیر تصاویر حرکتی (MI) مبتنی بر سیستم رابط مغز-کامپیوتر (BCI) قرار گرفته است و باعث رمزگشایی سیگنال های الکتروانسفالوگرافی (EEG) می شود.با این حال ، بیشتر مطالعات برای شناسایی الگوهای تبعیض آمیز در افراد در طی کارهای MI ، محدود کردن عملکرد طبقه بندی MI تلاش می کنند.در این مقاله ، ما MixNet ، یک چارچوب طبقه بندی جدید را برای غلبه بر این محدودیت با استفاده از سیگنال های طیفی-فضایی از داده های MI ، به همراه یک معماری یادگیری چند وظیفه ای به نام MIN2NET ، برای طبقه بندی پیشنهاد می کنیم.در اینجا ، سیگنال های طیفی-فضایی با استفاده از روش الگوهای فضایی مشترک (FBCSPS) در داده های MI تولید می شوند.از آنجا که از معماری یادگیری چند وظیفه ای برای کار طبقه بندی استفاده می شود ، یادگیری در هر کار ممکن است نرخ تعمیم متفاوتی را نشان دهد و بیش از حد بالقوه را در بین کارها نشان دهد.برای پرداختن به این مسئله ، ما ترکیب شیب تطبیقی را اجرا می کنیم ، همزمان با تنظیم وزن چندین کاهش و تنظیم سرعت یادگیری برای هر کار بر اساس تمایلات عمومی/بیش از حد آن تنظیم می کنیم.نتایج تجربی در شش مجموعه داده معیار از اندازه داده های مختلف نشان می دهد که MixNET به طور مداوم از همه الگوریتم های پیشرفته در تنظیمات وابسته به موضوع و مستقل بهتر عمل می کند.سرانجام ، نتایج طبقه بندی EEG MI با چگالی کم نشان می دهد که MixNet از همه الگوریتم های پیشرفته بهتر عمل می کند ، و پیامدهای امیدوارکننده ای را برای برنامه های اینترنتی Thing (IoT) ارائه می دهد ، مانند دستگاه های پوشیدنی سبک و قابل حمل EEG بر اساس مونتاژهای کم چگالی کمبشر
📚 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
