論文の概要: Orthogonal Features Based EEG Signals Denoising Using Fractional and Compressed One-Dimensional CNN AutoEncoder

• arxiv url: http://arxiv.org/abs/2104.08120v1
• Date: Fri, 16 Apr 2021 13:58:05 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-19 14:32:44.545949
• Title: Orthogonal Features Based EEG Signals Denoising Using Fractional and Compressed One-Dimensional CNN AutoEncoder
• Title（参考訳）: 分数および圧縮1次元cnnオートエンコーダを用いた直交特徴に基づく脳波信号
• Authors: Subham Nagar and Ahlad Kumar
• Abstract要約: 本稿では脳波(EEG)信号の分数的1次元畳み込みニューラルネットワーク(CNN)オートエンコーダを提案する。 脳波信号は、主に筋肉アーチファクト(MA)によって、記録過程中にしばしばノイズによって汚染される。
• 参考スコア（独自算出の注目度）: 3.8580784887142774
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper presents a fractional one-dimensional convolutional neural network (CNN) autoencoder for denoising the Electroencephalogram (EEG) signals which often get contaminated with noise during the recording process, mostly due to muscle artifacts (MA), introduced by the movement of muscles. The existing EEG denoising methods make use of decomposition, thresholding and filtering techniques. In the proposed approach, EEG signals are first transformed to orthogonal domain using Tchebichef moments before feeding to the proposed architecture. A new hyper-parameter ($\alpha$) is introduced which refers to the fractional order with respect to which gradients are calculated during back-propagation. It is observed that by tuning $\alpha$, the quality of the restored signal improves significantly. Motivated by the high usage of portable low energy devices which make use of compressed deep learning architectures, the trainable parameters of the proposed architecture are compressed using randomized singular value decomposition (RSVD) algorithm. The experiments are performed on the standard EEG datasets, namely, Mendeley and Bonn. The study shows that the proposed fractional and compressed architecture performs better than existing state-of-the-art signal denoising methods.
• Abstract（参考訳）: 本稿では、記録中にノイズに汚染されることの多い脳波信号(eeg)を、主に筋肉の運動によって誘発される筋肉アーティファクト(ma)によって検出するための分数1次元畳み込みニューラルネットワーク(cnn)オートエンコーダを提案する。 既存の脳波分極法は分解、しきい値設定、フィルタリング技術を利用している。 提案手法では,脳波信号はtchebichefモーメントを用いて直交領域に変換され,提案アーキテクチャに供給される。 新しいハイパーパラメータ(\alpha$)を導入し、バックプロパゲーション中に勾配が計算される部分的な順序を示す。 $\alpha$をチューニングすることで、復元された信号の品質が大幅に向上する。 圧縮型ディープラーニングアーキテクチャを用いた携帯型低エネルギー機器の高利用に動機づけられ,提案手法の学習可能なパラメータをランダム化特異値分解(rsvd)アルゴリズムを用いて圧縮する。 実験は、標準のEEGデータセット、すなわちMendleyとBonnで実施されている。 提案した分数圧縮アーキテクチャは,既存の最先端信号復号化手法よりも優れた性能を示した。

関連論文リスト

• DTP-Net: Learning to Reconstruct EEG signals in Time-Frequency Domain by Multi-scale Feature Reuse [7.646218090238708]
  学習可能な時間周波数変換を挟んだDTP(Densely Connected Temporal Pyramid)で構成された、DTP-Netと呼ばれる完全な畳み込みニューラルネットワークを提案する。 脳波信号は様々なアーティファクトによって容易に破壊され、疾患診断や脳-コンピュータインターフェース(BCI)などのシナリオにおいて、信号品質を改善するためにアーティファクトの除去が重要となる 2つの公開セミシミュレートされたデータセットで実施された大規模な実験は、DTP-Netの効果的なアーティファクト除去性能を示す。
  論文  参考訳（メタデータ） (2023-11-27T11:09:39Z)
• 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)
• Modality-Agnostic Variational Compression of Implicit Neural Representations [96.35492043867104]
  Inlicit Neural Representation (INR) としてパラメータ化されたデータの関数的ビューに基づくモーダリティ非依存型ニューラル圧縮アルゴリズムを提案する。 潜時符号化と疎性の間のギャップを埋めて、ソフトゲーティング機構に非直線的にマッピングされたコンパクト潜時表現を得る。 このような潜在表現のデータセットを得た後、ニューラル圧縮を用いてモーダリティ非依存空間におけるレート/歪みトレードオフを直接最適化する。
  論文  参考訳（メタデータ） (2023-01-23T15:22:42Z)
• ECG Artifact Removal from Single-Channel Surface EMG Using Fully Convolutional Networks [9.468136300919062]
  本研究は,完全畳み込みネットワーク(FCN)を用いた単一チャネルsEMG信号からECGアーチファクトを除去する新しい復号法を提案する。 提案手法は,SEMGデノナイズのためのニューラルネットワークのデノエーズオートエンコーダ構造と強力な非線形マッピング機能を採用する。
  論文  参考訳（メタデータ） (2022-10-24T14:12:11Z)
• Multi-stage image denoising with the wavelet transform [125.2251438120701]
  深部畳み込みニューラルネットワーク(Deep Convolutional Neural Network, CNN)は、正確な構造情報を自動マイニングすることで、画像の復調に使用される。 動的畳み込みブロック(DCB)、2つのカスケードウェーブレット変換および拡張ブロック(WEB)、残留ブロック(RB)の3段階を経由した、MWDCNNによるCNNの多段階化を提案する。
  論文  参考訳（メタデータ） (2022-09-26T03:28:23Z)
• Practical Blind Image Denoising via Swin-Conv-UNet and Data Synthesis [148.16279746287452]
  本研究では,残差畳み込み層の局所モデリング能力とスウィントランスブロックの非局所モデリング能力を組み込むスウィンコンブブロックを提案する。 トレーニングデータ合成のために,異なる種類のノイズを考慮した実用的なノイズ劣化モデルの設計を行う。 AGWN除去と実画像復号化の実験は、新しいネットワークアーキテクチャ設計が最先端の性能を達成することを実証している。
  論文  参考訳（メタデータ） (2022-03-24T18:11:31Z)
• EEGDnet: Fusing Non-Local and Local Self-Similarity for 1-D EEG Signal Denoising with 2-D Transformer [8.295946712221845]
  本稿では,2次元変換器EEGDnetを用いた新しい1次元脳波信号復調ネットワークを提案する。 トランスモジュールによる脳波信号の非局所的・局所的自己相似性を考慮する。 EEGDnetは定量化と定性的化の両方の観点から、はるかに優れたパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2021-09-09T12:55:19Z)
• Graph Signal Restoration Using Nested Deep Algorithm Unrolling [85.53158261016331]
  グラフ信号処理は、センサー、社会交通脳ネットワーク、ポイントクラウド処理、グラフネットワークなど、多くのアプリケーションにおいてユビキタスなタスクである。 凸非依存型深部ADMM(ADMM)に基づく2つの復元手法を提案する。 提案手法のパラメータはエンドツーエンドでトレーニング可能である。
  論文  参考訳（メタデータ） (2021-06-30T08:57:01Z)
• Learning Frequency Domain Approximation for Binary Neural Networks [68.79904499480025]
  フーリエ周波数領域における符号関数の勾配を正弦関数の組み合わせを用いて推定し,BNNの訓練を行う。 いくつかのベンチマークデータセットとニューラルネットワークの実験により、この手法で学習したバイナリネットワークが最先端の精度を達成することが示されている。
  論文  参考訳（メタデータ） (2021-03-01T08:25:26Z)
• Orthogonal Features-based EEG Signal Denoising using Fractionally Compressed AutoEncoder [16.889633963766858]
  eeg(denoising electroencephalogram)信号の解法として分数ベースの圧縮オートエンコーダアーキテクチャが導入された。 提案アーキテクチャでは,既存の手法と比較して,標準データセットのデノゲーション結果が改善されている。
  論文  参考訳（メタデータ） (2021-02-16T11:15:00Z)
• ScalingNet: extracting features from raw EEG data for emotion recognition [4.047737925426405]
  生の脳波信号から効果的なデータ駆動スペクトログラムのような特徴を適応的に抽出できる新しい畳み込み層を提案する。 スケーリング層に基づくニューラルネットワークアーキテクチャであるScalingNetは、確立されたDEAPベンチマークデータセット全体で最先端の結果を達成した。
  論文  参考訳（メタデータ） (2021-02-07T08:54:27Z)

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。