論文の概要: EEG Channel Interpolation Using Deep Encoder-decoder Netwoks

• arxiv url: http://arxiv.org/abs/2009.12244v2
• Date: Thu, 3 Dec 2020 23:16:12 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-16 05:54:26.123479
• Title: EEG Channel Interpolation Using Deep Encoder-decoder Netwoks
• Title（参考訳）: deep encoder-decoder netwokを用いた脳波チャネル補間
• Authors: Sari Saba-Sadiya, Tuka Alhanai, Taosheng Liu, Mohammad M. Ghassemi
• Abstract要約: 「Pop」アーティファクトは、表面と電極との間の接続が自然に失われることに由来する。 脳波は密度の高い電極配列を使用するため、脳波データの収集において最も広く見られるアーティファクトの1つである。 本稿では,ディープエンコーダデコーダネットワークを用いて,脳の問題を自己学習タスクとみなす。
• 参考スコア（独自算出の注目度）: 6.420508750179696
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Electrode "pop" artifacts originate from the spontaneous loss of connectivity between a surface and an electrode. Electroencephalography (EEG) uses a dense array of electrodes, hence "popped" segments are among the most pervasive type of artifact seen during the collection of EEG data. In many cases, the continuity of EEG data is critical for downstream applications (e.g. brain machine interface) and requires that popped segments be accurately interpolated. In this paper we frame the interpolation problem as a self-learning task using a deep encoder-decoder network. We compare our approach against contemporary interpolation methods on a publicly available EEG data set. Our approach exhibited a minimum of ~15% improvement over contemporary approaches when tested on subjects and tasks not used during model training. We demonstrate how our model's performance can be enhanced further on novel subjects and tasks using transfer learning. All code and data associated with this study is open-source to enable ease of extension and practical use. To our knowledge, this work is the first solution to the EEG interpolation problem that uses deep learning.
• Abstract（参考訳）: 電極「ポップ」アーティファクトは、表面と電極との接続が自然に失われることに由来する。 脳電図(EEG)は、密度の高い電極配列を使用するため、脳波データの収集において最も広く見られるアーティファクトの一つである。 多くの場合、脳波データの連続性は下流アプリケーション(例えば脳機械インタフェース)にとって重要であり、ポップアップしたセグメントを正確に補間する必要がある。 本稿では,ディープエンコーダデコーダネットワークを用いて,補間問題を自己学習タスクとする。 脳波データセット上での現代の補間手法に対する我々のアプローチを比較した。 提案手法は, モデルトレーニングで使用しなかった課題や課題に対して, 現代的アプローチよりも15%程度改善した。 トランスファー学習を用いて,新しい課題や課題に対して,モデルの性能がさらに向上することを示す。 この研究に関連するすべてのコードとデータは、拡張性と実用性を容易にするためのオープンソースである。 我々の知る限り、この研究は深層学習を用いた脳波補間問題に対する最初の解決策である。

関連論文リスト

• How Homogenizing the Channel-wise Magnitude Can Enhance EEG Classification Model? [4.0871083166108395]
  我々は、EEGデータ前処理にシンプルで効果的なアプローチを提案する。 提案手法はまず,逆チャネルワイドマグニチュード均質化により,脳波データを符号化画像に変換する。 これにより、巨大なディープラーニングネットワークを使わずに、脳波学習プロセスを改善することができる。
  論文  参考訳（メタデータ） (2024-07-19T09:11:56Z)
• Physics-informed and Unsupervised Riemannian Domain Adaptation for Machine Learning on Heterogeneous EEG Datasets [53.367212596352324]
  脳波信号物理を利用した教師なし手法を提案する。 脳波チャンネルをフィールド、ソースフリーなドメイン適応を用いて固定位置にマッピングする。 提案手法は脳-コンピュータインタフェース(BCI)タスクおよび潜在的なバイオマーカー応用におけるロバストな性能を示す。
  論文  参考訳（メタデータ） (2024-03-07T16:17:33Z)
• Deep learning applied to EEG data with different montages using spatial attention [0.0]
  脳波座標に空間的注意をあてて生の脳波データのチャネル調和を行う。 異なるチャネルモンタージュを用いてデータに基づいて訓練されたディープラーニングモデルは、23チャンネルと128チャンネルのデータモンタージュで訓練されたディープラーニングモデルよりもはるかに優れた性能を示すことを示す。
  論文  参考訳（メタデータ） (2023-10-16T16:17:33Z)
• 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)
• Convolutional Monge Mapping Normalization for learning on sleep data [63.22081662149488]
  我々は、CMMN(Convolutional Monge Mapping Normalization)と呼ばれる新しい手法を提案する。 CMMNは、そのパワースペクトル密度(PSD)をトレーニングデータに基づいて推定されるワッサーシュタインバリセンタに適応させるために、信号をフィルタリングする。 睡眠脳波データに関する数値実験により、CMMNはニューラルネットワークアーキテクチャから独立して、顕著で一貫したパフォーマンス向上をもたらすことが示された。
  論文  参考訳（メタデータ） (2023-05-30T08:24:01Z)
• EEG-BBNet: a Hybrid Framework for Brain Biometric using Graph Connectivity [1.1498015270151059]
  我々は、畳み込みニューラルネットワーク(CNN)とグラフ畳み込みニューラルネットワーク(GCNN)を統合するハイブリッドネットワークであるEEG-BBNetを提案する。 我々のモデルは、イベント関連電位(ERP)タスクにおけるすべてのベースラインを、セッション内データを用いて平均99.26%の正確な認識率で上回ります。
  論文  参考訳（メタデータ） (2022-08-17T10:18:22Z)
• Exploiting Multiple EEG Data Domains with Adversarial Learning [20.878816519635304]
  この文脈でデータソース不変表現を学習するための逆推論手法を提案する。 異なる音源領域からの脳波記録(感情認識SEED, SEED-IV, DEAP, DREAMER)を統一する。
  論文  参考訳（メタデータ） (2022-04-16T11:09:20Z)
• Transformer-based Spatial-Temporal Feature Learning for EEG Decoding [4.8276709243429]
  本稿では,主に注意機構に依存する新しい脳波復号法を提案する。 我々はより少ないパラメータで、脳波の多分類化における最先端のレベルに達しました。 脳-コンピュータインタフェース(BCI)の実用性を促進する大きな可能性を秘めている。
  論文  参考訳（メタデータ） (2021-06-11T00:48:18Z)
• Robust learning from corrupted EEG with dynamic spatial filtering [68.82260713085522]
  実験室の外で記録されたEEGを使用して機械学習モデルを構築するには、ノイズの多いデータとランダムに欠落するチャネルにロバストな方法が必要である。 ニューラルネットワークの第1層の前に挿入可能なマルチヘッドアテンションモジュールである動的空間フィルタリング(DSF)を提案する。 筆者らは, チャネル汚損を模擬した4000件の録音を含む公開脳波データと, 自然汚損をともなう移動脳波の自家記録100件のプライベートデータセットを用いて, DSFを試験した。
  論文  参考訳（メタデータ） (2021-05-27T02:33:16Z)
• Uncovering the structure of clinical EEG signals with self-supervised learning [64.4754948595556]
  教師付き学習パラダイムは、しばしば利用可能なラベル付きデータの量によって制限される。 この現象は脳波(EEG)などの臨床関連データに特に問題となる。 ラベルのないデータから情報を抽出することで、ディープニューラルネットワークとの競合性能に到達することができるかもしれない。
  論文  参考訳（メタデータ） (2020-07-31T14:34:47Z)
• Mining Implicit Entity Preference from User-Item Interaction Data for Knowledge Graph Completion via Adversarial Learning [82.46332224556257]
  本稿では,知識グラフ補完タスクにおけるユーザインタラクションデータを活用することで,新たな逆学習手法を提案する。 我々のジェネレータはユーザインタラクションデータから分離されており、識別器の性能を向上させるのに役立ちます。 利用者の暗黙の実体的嗜好を発見するために,グラフニューラルネットワークに基づく精巧な協調学習アルゴリズムを設計する。
  論文  参考訳（メタデータ） (2020-03-28T05:47:33Z)

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。