論文の概要: Convolutional Neural Networks for Automatic Detection of Artifacts from
Independent Components Represented in Scalp Topographies of EEG Signals
- arxiv url: http://arxiv.org/abs/2009.03696v1
- Date: Tue, 8 Sep 2020 12:40:10 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-20 20:37:53.672482
- Title: Convolutional Neural Networks for Automatic Detection of Artifacts from
Independent Components Represented in Scalp Topographies of EEG Signals
- Title（参考訳）: 脳波信号のスカルプトポグラフィーで表される独立成分からアーチファクトを自動的に検出する畳み込みニューラルネットワーク
- Authors: Giuseppe Placidi, Luigi Cinque, Matteo Polsinelli
- Abstract要約: 眼球運動や点滅、筋/心臓活動、一般的な電気障害などによるアーチファクトの認識と排除が求められている。
ICAは、2Dの頭皮のトポグラフィー(画像)に再投影することで、人工物とUBSを認識・分離できる独立したコンポーネント(IC)に信号を切り分けるのに効果的である。
2次元畳み込みニューラルネットワーク(CNN)に基づくICトポロによる脳波アーチファクト認識のための,完全自動かつ効果的なフレームワークを提案する。
実験では、32のトポロを分類するために標準PCで1.4秒を使用、全体の98%以上の精度を示した。
- 参考スコア（独自算出の注目度）: 9.088303226909279
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Electroencephalography (EEG) measures the electrical brain activity in
real-time by using sensors placed on the scalp. Artifacts, due to eye movements
and blink, muscular/cardiac activity and generic electrical disturbances, have
to be recognized and eliminated to allow a correct interpretation of the useful
brain signals (UBS) of EEG. Independent Component Analysis (ICA) is effective
to split the signal into independent components (ICs) whose re-projections on
2D scalp topographies (images), also called topoplots, allow to
recognize/separate artifacts and by UBS. Until now, IC topoplot analysis, a
gold standard in EEG, has been carried on visually by human experts and, hence,
not usable in automatic, fast-response EEG. We present a completely automatic
and effective framework for EEG artifact recognition by IC topoplots, based on
2D Convolutional Neural Networks (CNNs), capable to divide topoplots in 4
classes: 3 types of artifacts and UBS. The framework setup is described and
results are presented, discussed and compared with those obtained by other
competitive strategies. Experiments, carried on public EEG datasets, have shown
an overall accuracy of above 98%, employing 1.4 sec on a standard PC to
classify 32 topoplots, that is to drive an EEG system of 32 sensors. Though not
real-time, the proposed framework is efficient enough to be used in
fast-response EEG-based Brain-Computer Interfaces (BCI) and faster than other
automatic methods based on ICs.
- Abstract（参考訳）: 脳波計(EEG)は頭皮にセンサーを設置し、リアルタイムで脳活動を測定する。
脳波の有用な脳信号(UBS)を正しく解釈するためには、眼球運動や点眼、筋/心臓活動、一般的な電気的障害などによるアーチファクトの認識と排除が必要である。
独立成分分析(ICA)は、2Dの頭皮の地形(画像)に再投影される独立した成分(IC)に信号を分割するのに有効である。
これまで、脳波のゴールドスタンダードであるICトポロット分析は、人間の専門家によって視覚的に行われてきたため、自動応答型脳波では使用できない。
3種類の人工物とUBSの4つのクラスでトポロを分割できる2次元畳み込みニューラルネットワーク(CNN)に基づく,ICトポロによる脳波アーチファクト認識のための完全自動かつ効果的なフレームワークを提案する。
フレームワークの設定を説明し、その結果を他の競合戦略によって得られたものと比較する。
パブリックなEEGデータセットで実施された実験では、全体の精度は98%を超え、標準のPCでは1.4秒で32のトポロを分類している。
提案するフレームワークはリアルタイムではないが,高速応答型EEGベースのBrain-Computer Interfaces (BCI) に利用できるほど効率的であり,ICに基づく他の自動手法よりも高速である。
関連論文リスト
- REST: Efficient and Accelerated EEG Seizure Analysis through Residual State Updates [54.96885726053036]
本稿では,リアルタイム脳波信号解析のための新しいグラフベース残状態更新機構(REST)を提案する。
グラフニューラルネットワークとリカレント構造の組み合わせを活用することで、RESTは、非ユークリッド幾何学とEEGデータ内の時間的依存関係の両方を効率的にキャプチャする。
本モデルは,発作検出と分類作業において高い精度を示す。
論文 参考訳（メタデータ） (2024-06-03T16:30:19Z) - Spatiotemporal Pooling on Appropriate Topological Maps Represented as
Two-Dimensional Images for EEG Classification [0.0]
脳波(EEG)信号に基づく運動分類は、脳-コンピュータインターフェースの最も重要な応用の1つである。
本研究では,脳波を用いた3つの特徴を持つ新しい運動画像分類法を提案する。
PhysioNet EEG Movement Motor/Imageryデータセットを用いた実験の結果、提案手法は88.57%の最適分類精度を達成した。
論文 参考訳（メタデータ） (2024-03-07T09:35:49Z) - DGSD: Dynamical Graph Self-Distillation for EEG-Based Auditory Spatial
Attention Detection [49.196182908826565]
AAD(Auditory Attention Detection)は、マルチスピーカー環境で脳信号からターゲット話者を検出することを目的としている。
現在のアプローチは主に、画像のようなユークリッドデータを処理するために設計された従来の畳み込みニューラルネットワークに依存している。
本稿では、入力として音声刺激を必要としないAADのための動的グラフ自己蒸留(DGSD)手法を提案する。
論文 参考訳（メタデータ） (2023-09-07T13:43:46Z) - ETLP: Event-based Three-factor Local Plasticity for online learning with
neuromorphic hardware [105.54048699217668]
イベントベース3要素局所塑性(ETLP)の計算複雑性に明らかな優位性を有する精度の競争性能を示す。
また, 局所的可塑性を用いた場合, スパイキングニューロンの閾値適応, 繰り返しトポロジーは, 時間的構造が豊富な時間的パターンを学習するために必要であることを示した。
論文 参考訳（メタデータ） (2023-01-19T19:45:42Z) - Convolutional Neural Networks with A Topographic Representation Module
for EEG-Based Brain-Computer Interfaces [4.269859225062717]
畳み込みニューラルネットワーク(CNN)は、脳-コンピュータインタフェース(BCI)の分野で大きな可能性を示している。
脳波トポロジカル表現モジュール(TRM)を提案する。
TRMは、(1)生の脳波信号から3次元の地形地図へのマッピングブロック、(2)地形地図から入力と同じ大きさの出力への畳み込みブロックからなる。
論文 参考訳（メタデータ） (2022-08-23T03:20:51Z) - Task-oriented Self-supervised Learning for Anomaly Detection in
Electroencephalography [51.45515911920534]
タスク指向型自己教師型学習手法を提案する。
大きなカーネルを持つ特定の2つの分岐畳み込みニューラルネットワークを特徴抽出器として設計する。
効果的に設計され、訓練された特徴抽出器は、より優れた特徴表現を脳波から抽出できることが示されている。
論文 参考訳（メタデータ） (2022-07-04T13:15:08Z) - EEG-Inception: An Accurate and Robust End-to-End Neural Network for
EEG-based Motor Imagery Classification [123.93460670568554]
本稿では,脳波に基づく運動画像(MI)分類のための新しい畳み込みニューラルネットワーク(CNN)アーキテクチャを提案する。
提案したCNNモデル、すなわちEEG-Inceptionは、Inception-Timeネットワークのバックボーン上に構築されている。
提案するネットワークは、生のEEG信号を入力とし、複雑なEEG信号前処理を必要としないため、エンドツーエンドの分類である。
論文 参考訳（メタデータ） (2021-01-24T19:03:10Z) - Emotional EEG Classification using Connectivity Features and
Convolutional Neural Networks [81.74442855155843]
CNNと脳のつながりを利用した新しい分類システムを導入し,その効果を感情映像分類により検証する。
対象映像の感情的特性に関連する脳接続の集中度は分類性能と相関する。
論文 参考訳（メタデータ） (2021-01-18T13:28:08Z) - GCNs-Net: A Graph Convolutional Neural Network Approach for Decoding
Time-resolved EEG Motor Imagery Signals [8.19994663278877]
グラフ畳み込みニューラルネットワーク(GCN)に基づく新しいディープラーニングフレームワークを提案し,生の脳波信号の復号性能を向上させる。
導入されたアプローチは、パーソナライズされた予測とグループ的な予測の両方に収束することが示されている。
論文 参考訳（メタデータ） (2020-06-16T04:57:12Z) - Deep Feature Mining via Attention-based BiLSTM-GCN for Human Motor
Imagery Recognition [9.039355687614076]
本稿では,頭皮脳波に基づく極めて高精度かつ応答性の高い運動画像(MI)認識を目的とした,新しい深層学習手法を提案する。
注意機構を持つBiLSTMは、生の脳波信号から関連する特徴を導出する。
0.4秒検出フレームワークは、それぞれ98.81%と94.64%の精度で、個人およびグループレベルのトレーニングに基づいて効率的かつ効率的な予測を行っている。
論文 参考訳（メタデータ） (2020-05-02T10:03:40Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。