特徴抽出
出典: フリー百科事典『ウィキペディア（Wikipedia）』 (2022/03/16 10:05 UTC 版)
「ブレイン・マシン・インタフェース」の記事における「特徴抽出」の解説
脳波を何らかの目的に利用するために、生データから特徴的な成分を抽出することがある。脳波の特徴抽出には様々な方法がある。 time frequency distributions (TFD) 高速フーリエ変換 / fast fourier transform (FFT) ウェーブレット変換 / wavelet transform (WT) eigenvector methods (EM) auto regressive method (ARM) (自己回帰モデル?) 特徴抽出によって得られた特徴ベクトルを用いて、脳波と作用対象 (例えば脳波と義手の方向) を結びつける。その方法としては 独立成分分析 / ICA k平均法 / k-means culstering サポートベクターマシン / SVM などがある。 明示的な特徴抽出をせずにend-to-endに学習させる、畳み込みニューラルネットワークのような手法も存在する。
※この「特徴抽出」の解説は、「ブレイン・マシン・インタフェース」の解説の一部です。
「特徴抽出」を含む「ブレイン・マシン・インタフェース」の記事については、「ブレイン・マシン・インタフェース」の概要を参照ください。
特徴抽出
出典: フリー百科事典『ウィキペディア（Wikipedia）』 (2022/05/16 21:08 UTC 版)
詳細は「特徴抽出」を参照 特徴抽出（英語版）とは、データを高次元の空間からより低次元の空間に変換することである。変換方法は主成分分析のように線形であるものもあるが、多くは非線形のアプローチである。多次元のデータに対しては、多重線形部分空間法（英語版）によって次元削減を行うことにより、テンソル表現（英語版）を利用できる。
※この「特徴抽出」の解説は、「次元削減」の解説の一部です。
「特徴抽出」を含む「次元削減」の記事については、「次元削減」の概要を参照ください。
Weblioに収録されているすべての辞書から特徴抽出を検索する場合は、下記のリンクをクリックしてください。
全ての辞書から特徴抽出
を検索
- 特徴抽出のページへのリンク
