Learned-Weight Ensemble Monte Carlo DropBlock for Uncertainty Estimation and EEG Classification

Reliable predictive uncertainty—in particular predictive entropy used at decision time—in motor imagery electroencephalography (EEG)-based brain–computer interfaces (BCIs) is critical for safe real-world operation. Although Monte Carlo dropout and deep ensembles are effective fo...

Πλήρης περιγραφή

Λεπτομέρειες βιβλιογραφικής εγγραφής

Κύριοι συγγραφείς:	Pierre Sedi Nzakuna, Vincenzo Gallo, Marco Carratu, Vincenzo Paciello, Antonio Pietrosanto, Aime Lay-Ekuakille
Μορφή:	Artigo
Γλώσσα:	Inglês
Έκδοση:	IEEE 2025-01-01
Σειρά:	IEEE Open Journal of Instrumentation and Measurement
Θέματα:	Brain-computer interface (BCI) deep learning (DL) digital signal processing (DSP) electroencephalography (EEG) Monte Carlo (MC) methods uncertainty quantification (UQ)
Διαθέσιμο Online:	https://ieeexplore.ieee.org/document/11271584/
Ετικέτες:	Προσθήκη ετικέτας Δεν υπάρχουν, Καταχωρήστε ετικέτα πρώτοι!