Functional Neural Networks: Shift invariant models for functional data with applications to EEG classification

要約

統計モデルでは、位置とは無関係に対象の信号を検出することが望ましい。
データが何らかのスムーズなプロセスによって生成された場合、この追加の構造を考慮する必要があります。
シフト不変でデータの滑らかさを維持する新しいクラスのニューラル ネットワーク、関数型ニューラル ネットワーク (FNN) を導入します。
このために、機能データ分析 (FDA) の手法を使用して、多層パーセプトロンと畳み込みニューラル ネットワークを機能データに拡張します。
私たちはさまざまなモデル アーキテクチャを提案し、そのモデルが精度の点で FDA のベンチマーク モデルを上回り、FNN を使用して脳波 (EEG) データを分類することに成功していることを示します。

要約(オリジナル)

It is desirable for statistical models to detect signals of interest independently of their position. If the data is generated by some smooth process, this additional structure should be taken into account. We introduce a new class of neural networks that are shift invariant and preserve smoothness of the data: functional neural networks (FNNs). For this, we use methods from functional data analysis (FDA) to extend multi-layer perceptrons and convolutional neural networks to functional data. We propose different model architectures, show that the models outperform a benchmark model from FDA in terms of accuracy and successfully use FNNs to classify electroencephalography (EEG) data.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google