Publication

Discriminative modeling of spectro-temporal evolution of covert visuospatial attention for BCI

2012
Conference Papers

Résumé

Due to its intuitive nature, the decoding of covert visuospatial attention has recently been proposed to be useful for Brain–Computer Interface (BCI) applications. In order to identify neural correlates of covert spatial visual attention, state of the art approaches usually rely on the whole α–band over fixed time intervals. In this work, we propose a discriminative model that exploits spectro-temporal evolution of covert visuospatial attention to improve classification performances. Results with 10 healthy subjects demonstrate that our approach reaches, on average, 0.74±0.03 of AUC value with an increase (+11.5%) with respect to the state of the art method. In addition, the proposed method allows faster classification (

Source officielle

https://infoscience.epfl.ch/entities/publication/4cc89972-937d-4286-a651-4a96818a6c8f

À propos de ce résultat

Cette page est générée automatiquement et peut contenir des informations qui ne sont pas correctes, complètes, à jour ou pertinentes par rapport à votre recherche. Il en va de même pour toutes les autres pages de ce site. Veillez à vérifier les informations auprès des sources officielles de l'EPFL.

Graph Chat

Chattez avec Graph Search

Posez n’importe quelle question sur les cours, conférences, exercices, recherches, actualités, etc. de l’EPFL ou essayez les exemples de questions ci-dessous.

AVERTISSEMENT : Le chatbot Graph n'est pas programmé pour fournir des réponses explicites ou catégoriques à vos questions. Il transforme plutôt vos questions en demandes API qui sont distribuées aux différents services informatiques officiellement administrés par l'EPFL. Son but est uniquement de collecter et de recommander des références pertinentes à des contenus que vous pouvez explorer pour vous aider à répondre à vos questions.

2012
Conference Papers

Résumé

Source officielle

https://infoscience.epfl.ch/entities/publication/4cc89972-937d-4286-a651-4a96818a6c8f

À propos de ce résultat

Concepts associés (32)

Modèle discriminatif

Discriminative models, also referred to as conditional models, are a class of logistical models used for classification or regression. They distinguish decision boundaries through observed data, such as pass/fail, win/lose, alive/dead or healthy/sick. Typical discriminative models include logistic regression (LR), conditional random fields (CRFs) (specified over an undirected graph), decision trees, and many others. Typical generative model approaches include naive Bayes classifiers, Gaussian mixture models, variational autoencoders, generative adversarial networks and others.

Modèle génératif

vignette|Schéma représentant la différence entre un modèle discriminatif et un modèle génératif. En classement automatique un modèle génératif est un modèle statistique défini par opposition à un modèle discriminatif. Étant donné une variable X à laquelle il doit associer une autre variable Y, le modèle génératif cherchera à décrire la probabilité conditionnelle ainsi que la probabilité puis d'utiliser la formule de Bayes pour calculer la probabilité .

Champ aléatoire conditionnel

Les champs aléatoires conditionnels (conditional random fields ou CRFs) sont une classe de modèles statistiques utilisés en reconnaissance des formes et plus généralement en apprentissage statistique. Les CRFs permettent de prendre en compte l'interaction de variables « voisines ». Ils sont souvent utilisés pour des données séquentielles (langage naturel, séquences biologiques, vision par ordinateur). Les CRFs sont un exemple de réseau probabiliste non orienté.

Afficher plus

Publications associées (16)

Afficher plus

Discriminative modeling of spectro-temporal evolution of covert visuospatial attention for BCI

Chattez avec Graph Search

Federated Recommendation meets Machine Unlearning

Highly personalized modeling of Stimulation-driven brain network responses for next-generation neuromodulation

Neurofeedback training of alpha-band coherence enhances motor performance