First steps towards quantum machine learning applied to the classification of event-related potentials

https://arxiv.org/pdf/2302.02648?2023-02-06

1.標(biāo)題：First steps towards quantum machine learning applied to the classification of event-related potentials（初步探索應(yīng)用于事件相關(guān)電位分類的量子機(jī)器學(xué)習(xí)方法）

2.作者：Grégoire Cattan, Alexandre Quemy, Anton Andreev

3.所屬單位：IBM Software, Data and AI; Faculty of Computer Sciences, Poznan University of Technology; GIPSA-lab, CNRS, University Grenoble-Alpes, Grenoble INP

4.關(guān)鍵字：Electroencephalography (EEG), Brain-Computer Interface (BCI), Event-Related Potential (ERP), P300, Classification, Supervised learning, Quantum Computer, Support Vector Machine (SVM)

5.網(wǎng)址：https://arxiv.org/pdf/2302.02648，GitHub：None

?

6.總結(jié)：

(1) 本文的研究背景是探索在事件相關(guān)電位分類中應(yīng)用量子機(jī)器學(xué)習(xí)方法。

(2) 過去的方法包括分析判別、支持向量分類、神經(jīng)網(wǎng)絡(luò)等，但存在分類準(zhǔn)確性不高的問題。本文的動(dòng)機(jī)是利用量子機(jī)器學(xué)習(xí)的優(yōu)勢來提高分類器性能。

(3) 本文提出了使用量子增強(qiáng)的支持向量分類器（QSVC）進(jìn)行事件相關(guān)電位分類的方法，并使用Qiskit庫實(shí)現(xiàn)QSVC，并通過配置和優(yōu)化QSVC來提高分類準(zhǔn)確性。

(4) 本文的方法在訓(xùn)練階段表現(xiàn)出83.17%的平衡準(zhǔn)確率，但在預(yù)測階段的準(zhǔn)確率較低。需要進(jìn)一步的研究來提高分類準(zhǔn)確性，例如增加實(shí)驗(yàn)次數(shù)等。雖然QSVC表現(xiàn)出一定的學(xué)習(xí)能力，但仍需要進(jìn)一步改進(jìn)以實(shí)現(xiàn)更高的預(yù)測性能。

7.結(jié)論：

(1) 本文的意義在于初步探索了在事件相關(guān)電位分類中應(yīng)用量子機(jī)器學(xué)習(xí)方法的潛力，為腦-機(jī)接口技術(shù)的進(jìn)一步發(fā)展提供了新的思路。

(2) 創(chuàng)新點(diǎn)：本文提出了使用量子增強(qiáng)的支持向量分類器（QSVC）進(jìn)行事件相關(guān)電位分類的方法，利用量子機(jī)器學(xué)習(xí)的優(yōu)勢來提高分類器性能。

性能表現(xiàn)：QSVC在訓(xùn)練階段表現(xiàn)出83.17%的平衡準(zhǔn)確率，但在預(yù)測階段的準(zhǔn)確率較低，需要進(jìn)一步改進(jìn)。

工作量：本文使用Qiskit庫實(shí)現(xiàn)QSVC，并進(jìn)行了配置和優(yōu)化的工作。

Assistive Robot Teleoperation Using Behavior Trees

https://arxiv.org/pdf/2303.05177?2023-03-19

1.標(biāo)題：Assistive Robot Teleoperation Using Behavior Trees（使用行為樹進(jìn)行輔助機(jī)器人遠(yuǎn)程操作）

2.作者：Mohamed Behery, Minh Trinh, Christian Brecher, and Gerhard Lakemeyer

3.所屬單位：Mohamed Behery - 知識(shí)庫系統(tǒng)組，RWTH Aachen University，德國亞琛 Minh Trinh - 機(jī)械車床和生產(chǎn)工程實(shí)驗(yàn)室，RWTH Aachen University，德國亞琛 Christian Brecher - 機(jī)械車床和生產(chǎn)工程實(shí)驗(yàn)室，RWTH Aachen University，德國亞琛 Gerhard Lakemeyer - 知識(shí)庫系統(tǒng)組，RWTH Aachen University，德國亞琛

4.關(guān)鍵詞: Shared Autonomy Control, Robot Teleoperation, Behavior Trees, Assistive Robotics（共享自主控制，機(jī)器人遠(yuǎn)程操作，行為樹，輔助機(jī)器人）

5.網(wǎng)址：https://arxiv.org/pdf/2303.05177

?

6.論文總結(jié)：

(1): 本文的研究背景是探討如何通過行為樹來實(shí)現(xiàn)機(jī)器人的輔助遠(yuǎn)程操作。該問題旨在幫助用戶在控制機(jī)器人運(yùn)動(dòng)的同時(shí)，遵循預(yù)定路徑并避開障礙物。

(2): 過去的方法主要集中在提高遠(yuǎn)程操作的可用性、機(jī)器人軌跡的直觀性、直接控制和共享自主之間的無縫過渡以及與整體控制的整合。然而，現(xiàn)有方法在創(chuàng)建新動(dòng)作或修改現(xiàn)有動(dòng)作時(shí)存在可擴(kuò)展性方面的問題。

(3): 本文提出了一種新的框架，通過使用行為樹來定義機(jī)器人的遠(yuǎn)程操作動(dòng)作。為了實(shí)現(xiàn)這一目標(biāo)，行為樹被增加了共享控制行為節(jié)點(diǎn)，用于引導(dǎo)用戶在軌跡上輸入，并促使和確保任務(wù)的執(zhí)行。

(4): 本文的方法實(shí)現(xiàn)了機(jī)器人的日常生活活動(dòng)，通過行為樹的易讀性和模塊化性，用戶可以使用簡單的接口定義新的活動(dòng)。該方法在支持任務(wù)目標(biāo)方面表現(xiàn)出良好的性能。

7.結(jié)論：

(1): 本文意在探討使用行為樹來實(shí)現(xiàn)輔助機(jī)器人遠(yuǎn)程操作的方法。通過引入共享控制行為節(jié)點(diǎn)，該方法能提升用戶對機(jī)器人的控制性和整體任務(wù)執(zhí)行的效率。

(2): 創(chuàng)新點(diǎn)：本文通過引入行為樹來定義機(jī)器人的遠(yuǎn)程操作動(dòng)作，以提高易讀性和模塊化性。性能表現(xiàn)：該方法在支持任務(wù)目標(biāo)方面表現(xiàn)出良好的性能，用戶可以通過簡單的接口定義新的活動(dòng)。工作量：本文的方法具有可擴(kuò)展性，并能輕松創(chuàng)建新動(dòng)作或修改現(xiàn)有動(dòng)作。

(3): 本文的意義在于為輔助機(jī)器人遠(yuǎn)程操作領(lǐng)域提供了一種新的解決方案，并改善了尚存在的可擴(kuò)展性問題。這種方法有望在實(shí)際應(yīng)用中提供更好的用戶體驗(yàn)和操作效果。

LMDA-Net:A lightweight multi-dimensional attention network for general EEG-based brain-computer interface paradigms and interpretability

https://arxiv.org/pdf/2303.16407?2023-03-28

1.標(biāo)題：LMDA-Net: 一種輕量級(jí)多維注意力網(wǎng)絡(luò)，用于通用的基于腦電圖的腦機(jī)接口范例和可解釋性

2.作者：Zhengqing Miao, Xin Zhang, Meirong Zhao, Dong Ming

3.所屬單位：天津大學(xué)精密儀器與光電子工程學(xué)院, 天津大學(xué)神經(jīng)工程與康復(fù)學(xué)實(shí)驗(yàn)室

4.關(guān)鍵字：attention, brain-computer interface (BCI), electroencephalography (EEG), model interpretability, neural networks

5.網(wǎng)址：https://arxiv.org/pdf/2303.16407

?

6.總結(jié)：

- (1)研究背景：腦電圖（EEG）是一種低空間分辨率和信噪比的腦機(jī)接口(BCI)技術(shù)，解碼過程中存在挑戰(zhàn)。

- (2)過去的方法：過去的方法通常使用先前的神經(jīng)科學(xué)知識(shí)生成定量的EEG特征，但這可能限制了BCI性能。神經(jīng)網(wǎng)絡(luò)方法可以有效地提取特征，但常常面臨跨數(shù)據(jù)集的泛化差、預(yù)測波動(dòng)性高和模型可解釋性低的問題。本文提出的方法旨在解決這些問題。

- (3)本文提出的方法：本文提出了一種名為LMDA-Net的輕量級(jí)多維注意力網(wǎng)絡(luò)，通過特定設(shè)計(jì)的兩個(gè)注意力模塊（通道注意力模塊和深度注意力模塊）有效地整合多個(gè)維度的特征，提高了各種BCI任務(wù)的分類性能。

- (4)論文的貢獻(xiàn)：LMDA-Net在包括運(yùn)動(dòng)想象和P300-Speller范例等四個(gè)高影響力公共數(shù)據(jù)集上進(jìn)行了評(píng)估，并與其他代表性模型進(jìn)行了比較。實(shí)驗(yàn)結(jié)果表明，在300個(gè)訓(xùn)練周期內(nèi)，LMDA-Net在所有數(shù)據(jù)集中取得了最高的準(zhǔn)確率，優(yōu)于其他代表性方法。消融實(shí)驗(yàn)進(jìn)一步證實(shí)了通道注意力模塊和深度注意力模塊的有效性。此外，為了深入理解LMDA-Net提取的特征，本文提出了適用于事件相關(guān)電位(ERPs)和事件相關(guān)去/同步(ERD/ERS)的類別特定神經(jīng)網(wǎng)絡(luò)特征解釋算法。通過將MDA-Net的特定層的輸出通過類別激活圖映射到時(shí)間或空間域，得到的特征可視化可以提供可解釋性分析，并與神經(jīng)科學(xué)中的EEG時(shí)間-空間分析建立連接?？傮w而言，LMDA-Net作為各種EEG任務(wù)的通用在線譯碼模型具有巨大潛力。

7.結(jié)論：

(1) 本文的意義在于提出了一種名為LMDA-Net的輕量級(jí)多維注意力網(wǎng)絡(luò)，用于處理基于腦電圖的腦機(jī)接口范例。該網(wǎng)絡(luò)通過引入特定設(shè)計(jì)的通道注意力模塊和深度注意力模塊，有效地提取特征和整合高維特征，從而提高了各種腦機(jī)接口任務(wù)的分類性能。此外，本文還提出了用于解釋網(wǎng)絡(luò)行為的算法，可視化了提取的特征，與腦電圖時(shí)間-空間分析相結(jié)合，為腦機(jī)接口的可解釋性提供了新的方向。

(2) 創(chuàng)新點(diǎn)：LMDA-Net引入了輕量級(jí)的多維注意力網(wǎng)絡(luò)，通過通道注意力模塊和深度注意力模塊的協(xié)同作用，有效地提取和整合高維特征，提高了腦機(jī)接口任務(wù)的分類性能。同時(shí)，為了解決網(wǎng)絡(luò)的可解釋性問題，本文還提出了新的神經(jīng)網(wǎng)絡(luò)可視化算法，將特征映射到時(shí)間或空間域，提供可解釋性分析。性能表現(xiàn)：實(shí)驗(yàn)結(jié)果表明，LMDA-Net在四個(gè)公共數(shù)據(jù)集上具有最高的分類準(zhǔn)確率，而且波動(dòng)性較低，相比其他代表性方法具有更好的泛化性能。工作量：本文對不同算法進(jìn)行了詳盡的對比實(shí)驗(yàn)，并在不同數(shù)據(jù)集上進(jìn)行了深入的分析，證明了LMDA-Net的效果和可行性，工作量較為充分和全面。

?

?

參考文獻(xiàn)

[1]Cattan, Grégoire Hugues et al. “First steps towards quantum machine learning applied to the classification of event-related potentials.”ArXivabs/2302.02648 (2023): n. pag.

[2]Behery, Mohamed H. et al. “Assistive Robot Teleoperation Using Behavior Trees.”ArXivabs/2303.05177 (2023): n. pag.

[3]Miao, Zhengqing et al. “LMDA-Net: A lightweight multi-dimensional attention network for general EEG-based brain-computer interface paradigms and interpretability.”ArXivabs/2303.16407 (2023): n. pag.

?

創(chuàng)作聲明：包含 AI 輔助創(chuàng)作?