要旨: 本論文では、EEGデータの分類のための機械学習パイプラインについて議論する。曖昧さの異なるレベルを持つネッカーキューブのような、暗黙的な視覚刺激を用いる実験に対する分類問題を解決するために、合成データ生成、長短期記憶型の人工ニューラルネットワーク（LSTM）、およびファインチューニングの組み合わせを提案する。開発した手法は、生のEEGデータの分類モデルの品質を向上させた。
短期記憶型人工ニューラルネットワーク、合成データ、ファインチューニングによって生のEEGデータの分類はどれほど改善されるか
arXiv cs.LG / 2026/4/7
💬 オピニオンSignals & Early TrendsIdeas & Deep AnalysisModels & Research
要点
- 本論文は、ネッカーキューブのような暗黙的な視覚刺激を用いた実験のために、生のEEGデータを分類する機械学習パイプラインを提示している。
- 合成データ生成と、LSTMベースの人工ニューラルネットワークを組み合わせることで、EEG分類における課題に対処している。
- さらに著者らは、訓練プロセスの一部としてファインチューニングも適用し、分類性能の向上を図っている。
- 結果として、これらの手法を統合して生の信号データから直接扱う場合、EEG分類モデルの品質が高まることが示されている。
