論文の概要: Deep Learning in EEG: Advance of the Last Ten-Year Critical Period
- arxiv url: http://arxiv.org/abs/2011.11128v3
- Date: Thu, 20 May 2021 19:24:56 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-22 12:25:26.097262
- Title: Deep Learning in EEG: Advance of the Last Ten-Year Critical Period
- Title(参考訳): eegにおけるディープラーニング: 過去10年間の批判的期間の進展
- Authors: Shu Gong, Kaibo Xing, Andrzej Cichocki, Junhua Li
- Abstract要約: ディープラーニングは幅広い領域、特に音声認識やコンピュータビジョンにおいて優れた性能を発揮している。
脳波の研究は比較的少ないが、この10年で大きな進歩が続いている。
本稿ではまず,脳波信号のアーティファクト除去について簡単に述べるとともに,脳波処理や分類に活用されているディープラーニングモデルを紹介する。
脳波の深層学習の応用は、脳-コンピュータインタフェース、疾患検出、感情認識などのグループに分類することで検証される。
- 参考スコア(独自算出の注目度): 16.437704026938146
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Deep learning has achieved excellent performance in a wide range of domains,
especially in speech recognition and computer vision. Relatively less work has
been done for EEG, but there is still significant progress attained in the last
decade. Due to the lack of a comprehensive and topic widely covered survey for
deep learning in EEG, we attempt to summarize recent progress to provide an
overview, as well as perspectives for future developments. We first briefly
mention the artifacts removal for EEG signal and then introduce deep learning
models that have been utilized in EEG processing and classification.
Subsequently, the applications of deep learning in EEG are reviewed by
categorizing them into groups such as brain-computer interface, disease
detection, and emotion recognition. They are followed by the discussion, in
which the pros and cons of deep learning are presented and future directions
and challenges for deep learning in EEG are proposed. We hope that this paper
could serve as a summary of past work for deep learning in EEG and the
beginning of further developments and achievements of EEG studies based on deep
learning.
- Abstract(参考訳): ディープラーニングは幅広い領域、特に音声認識やコンピュータビジョンにおいて優れた性能を発揮している。
脳波に対する作業は比較的少ないが、過去10年間に達成された大きな進歩がある。
eegにおけるディープラーニングに関する包括的かつ広くカバーされた調査が欠如していることから,最近の進歩を要約して概要と今後の展開の展望を提供する。
まず,脳波信号のアーティファクト除去について述べるとともに,脳波処理や分類に活用されたディープラーニングモデルを紹介する。
その後、脳波における深層学習の応用について、脳-コンピュータインタフェース、疾患検出、感情認識などのグループに分類してレビューする。
それらに続いて、深層学習の長所と短所が提示され、脳波における深層学習の今後の方向性と課題が提案される。
本論文は、脳波の深層学習に関する過去の研究の概要と、深層学習に基づく脳波研究のさらなる発展と成果の始まりとして役立つことを期待している。
関連論文リスト
- Towards energy-efficient Deep Learning: An overview of energy-efficient
approaches along the Deep Learning Lifecycle [0.0]
エネルギー効率の高いディープラーニングは研究者から多くの注目を集めており、この2年ですでに多くの進歩を遂げている。
本稿は、これらの進歩に関する情報を文献から収集し、エネルギー消費の削減がいかに可能かを示すことを目的とする。
論文 参考訳(メタデータ) (2023-02-05T11:36:51Z) - Deep Learning for Iris Recognition: A Survey [66.55441036931555]
我々は、虹彩生体計測における2つの主要なサブタスク(セグメンテーションと認識)のために開発された深層学習手法を包括的に分析する。
第3に,特に死後虹彩認識において,法医学的応用のための深層学習手法を深く研究した。
第4に、虹彩認識のためのディープラーニング技術におけるオープンソースのリソースとツールについてレビューする。
論文 参考訳(メタデータ) (2022-10-12T01:58:09Z) - Data augmentation for learning predictive models on EEG: a systematic
comparison [79.84079335042456]
脳波(EEG)分類タスクの深層学習は、ここ数年急速に増加している。
EEG分類タスクのディープラーニングは、比較的小さなEEGデータセットによって制限されている。
データ拡張は、コンピュータビジョンや音声などのアプリケーションにまたがる最先端のパフォーマンスを得るために重要な要素となっている。
論文 参考訳(メタデータ) (2022-06-29T09:18:15Z) - A Deep Learning Approach for the Segmentation of Electroencephalography
Data in Eye Tracking Applications [56.458448869572294]
脳波データの時系列セグメンテーションのための新しいフレームワークDETRtimeを紹介する。
エンドツーエンドのディープラーニングベースのフレームワークは、コンピュータビジョンの進歩を前面に立たせています。
我々のモデルは脳波睡眠ステージセグメンテーションのタスクにおいてよく一般化される。
論文 参考訳(メタデータ) (2022-06-17T10:17:24Z) - Rethinking Saliency Map: An Context-aware Perturbation Method to Explain
EEG-based Deep Learning Model [7.693117960747748]
我々は、脳波に基づくディープラーニングモデルを説明する既存の研究を要約するためにレビューを行う。
生の脳波信号の観点から,サリエンシマップを生成するための文脈認識手法を提案する。
また,脳波に基づく深層学習モデルの成果物を抑制するために,文脈情報を利用することを正当化する。
論文 参考訳(メタデータ) (2022-05-30T10:25:20Z) - EEG based Emotion Recognition: A Tutorial and Review [21.939910428589638]
脳波に基づく感情認識の科学的基礎を心理学的・生理学的に紹介する。
本稿では,これらのレビューを異なる技術経路に分類し,理論的基礎と研究モチベーションを説明する。
論文 参考訳(メタデータ) (2022-03-16T08:28:28Z) - Computational Emotion Analysis From Images: Recent Advances and Future
Directions [79.05003998727103]
本章では,画像感情分析(IEA)を計算的観点から導入することを目的としている。
心理学の一般的な感情表現モデルから始めます。
そして、研究者たちが解決しようとしている重要な計算問題を定義します。
論文 参考訳(メタデータ) (2021-03-19T13:33:34Z) - EEG-based Brain-Computer Interfaces (BCIs): A Survey of Recent Studies
on Signal Sensing Technologies and Computational Intelligence Approaches and
their Applications [65.32004302942218]
Brain-Computer Interface (BCI) はユーザとシステム間の強力なコミュニケーションツールである。
近年の技術進歩は、脳波(EEG)に基づく翻訳医療用BCIへの関心が高まっている。
論文 参考訳(メタデータ) (2020-01-28T10:36:26Z) - Machine learning and AI-based approaches for bioactive ligand discovery
and GPCR-ligand recognition [2.842794675894731]
ディープラーニングは、従来の機械学習だけでなく、高度に専門化されたツールよりも優れていることが示されている。
我々は、GPCR生物活性分子の発見に繋がった最新のAIベースの研究を強調した。
このレビューは、ディープラーニングの最近の研究動向を浮き彫りにした、短い展望で締めくくっている。
論文 参考訳(メタデータ) (2020-01-17T22:01:26Z) - Opportunities and Challenges of Deep Learning Methods for
Electrocardiogram Data: A Systematic Review [62.490310870300746]
心電図(Electrocardiogram、ECG)は、医学および医療において最も一般的に用いられる診断ツールの1つである。
深層学習法は心電図信号を用いた予測医療タスクにおいて有望な結果を得た。
本稿では、モデリングとアプリケーションの観点から、ECGデータに対するディープラーニング手法の体系的なレビューを行う。
論文 参考訳(メタデータ) (2019-12-28T02:44:29Z)
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。