論文の概要: Robust learning from corrupted EEG with dynamic spatial filtering

• arxiv url: http://arxiv.org/abs/2105.12916v1
• Date: Thu, 27 May 2021 02:33:16 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-28 16:28:25.881856
• Title: Robust learning from corrupted EEG with dynamic spatial filtering
• Title（参考訳）: 動的空間フィルタリングによる劣化脳波からのロバスト学習
• Authors: Hubert Banville, Sean U.N. Wood, Chris Aimone, Denis-Alexander Engemann and Alexandre Gramfort
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 68.82260713085522
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Building machine learning models using EEG recorded outside of the laboratory setting requires methods robust to noisy data and randomly missing channels. This need is particularly great when working with sparse EEG montages (1-6 channels), often encountered in consumer-grade or mobile EEG devices. Neither classical machine learning models nor deep neural networks trained end-to-end on EEG are typically designed or tested for robustness to corruption, and especially to randomly missing channels. While some studies have proposed strategies for using data with missing channels, these approaches are not practical when sparse montages are used and computing power is limited (e.g., wearables, cell phones). To tackle this problem, we propose dynamic spatial filtering (DSF), a multi-head attention module that can be plugged in before the first layer of a neural network to handle missing EEG channels by learning to focus on good channels and to ignore bad ones. We tested DSF on public EEG data encompassing ~4,000 recordings with simulated channel corruption and on a private dataset of ~100 at-home recordings of mobile EEG with natural corruption. Our proposed approach achieves the same performance as baseline models when no noise is applied, but outperforms baselines by as much as 29.4% accuracy when significant channel corruption is present. Moreover, DSF outputs are interpretable, making it possible to monitor channel importance in real-time. This approach has the potential to enable the analysis of EEG in challenging settings where channel corruption hampers the reading of brain signals.
• Abstract（参考訳）: 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したチャネルに対して堅牢な方法が必要である。 このニーズは、コンシューマグレードやモバイルのEEGデバイスでしばしば発生する、スパースなEEGモンタージュ(1-6チャネル)を扱う場合、特に大きい。 古典的な機械学習モデルや、脳波でエンドツーエンドを訓練したディープニューラルネットワークは、典型的には、腐敗に対する堅牢性、特にランダムに欠けているチャネルのために設計またはテストされない。 チャネルが不足しているデータを使用するための戦略を提案している研究もあるが、スパースモンタージュが使われ、計算能力(例えばウェアラブルや携帯電話)が限られている場合には、これらのアプローチは実用的ではない。 この問題に対処するために,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。 我々は, チャネル破壊をシミュレーションした4,000以上の記録を含む公開脳波データと, 自然腐敗のある100以上の家庭内記録のプライベートデータセットを用いて, dsfをテストした。 提案手法は,ノイズを伴わない場合のベースラインモデルと同じ性能を実現するが,有意なチャネル破壊が発生した場合のベースラインの精度は29.4%も向上する。 さらに、DSF出力は解釈可能であり、リアルタイムでチャンネルの重要度を監視することができる。 このアプローチは、チャンネルの腐敗が脳信号の読み取りを阻害する困難な環境で脳波の分析を可能にする可能性がある。

関連論文リスト

• Generating High Dimensional User-Specific Wireless Channels using Diffusion Models [28.270917362301972]
  本稿では拡散モデルを用いて合成無線チャネルデータを生成する新しい手法を提案する。 我々は、ユーザ位置を条件入力として合成された高忠実度チャネルサンプルを生成し、測定不足を克服するために、より大きな拡張データセットを作成する。
  論文  参考訳（メタデータ） (2024-09-05T22:08:28Z)
• You Only Acquire Sparse-channel (YOAS): A Unified Framework for Dense-channel EEG Generation [7.507775056200206]
  スパースチャネル脳波信号から高密度チャネルデータを生成するためのフレームワークを開発する。 YOASは、データ準備、データ前処理、バイアスドEEG生成、合成EEG生成の4段階からなる。 疎チャネルデータから高密度チャネルEEG信号を生成するこのブレークスルーは、EEG信号処理と応用の新たな道を開く。
  論文  参考訳（メタデータ） (2024-06-21T16:04:14Z)
• 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)
• Improving EEG Signal Classification Accuracy Using Wasserstein Generative Adversarial Networks [0.0]
  本稿では,ディープラーニングとWasserstein Generative Adversarial Network(WGAN)の最新動向に関する実践的解法を提案する。 WGANは、45人の個人から約1500の脳波記録と64のチャネルからなるBCI2000データセットで訓練された。 Frechet Inception Distance (FID) を用いて測定した生成信号の品質は、それぞれ1.345と11.565のスコアを得た。
  論文  参考訳（メタデータ） (2024-02-05T03:57:30Z)
• 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)
• End-to-end learnable EEG channel selection with deep neural networks [72.21556656008156]
  本稿では,脳波チャネル選択をニューラルネットワーク自体に組み込む枠組みを提案する。 我々は、離散チャネル選択パラメータの連続緩和を用いて、この新しい最適化問題の離散的性質を扱う。 この一般的なアプローチは、2つの異なるEEGタスクで評価される。
  論文  参考訳（メタデータ） (2021-02-11T13:44:07Z)
• EEG Channel Interpolation Using Deep Encoder-decoder Netwoks [6.420508750179696]
  「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。
  論文  参考訳（メタデータ） (2020-09-21T21:57:41Z)
• Data-Driven Symbol Detection via Model-Based Machine Learning [117.58188185409904]
  機械学習(ML)とモデルベースアルゴリズムを組み合わせた,検出設計のシンボル化を目的とした,データ駆動型フレームワークについてレビューする。 このハイブリッドアプローチでは、よく知られたチャネルモデルに基づくアルゴリズムをMLベースのアルゴリズムで拡張し、チャネルモデル依存性を除去する。 提案手法は, 正確なチャネル入出力統計関係を知らなくても, モデルベースアルゴリズムのほぼ最適性能が得られることを示す。
  論文  参考訳（メタデータ） (2020-02-14T06:58:27Z)
• DeepSIC: Deep Soft Interference Cancellation for Multiuser MIMO Detection [98.43451011898212]
  複数のシンボルが同時に送信されるマルチユーザマルチインプットマルチアウトプット(MIMO)設定では、正確なシンボル検出が困難である。 本稿では,DeepSICと呼ぶ反復ソフト干渉キャンセリング(SIC)アルゴリズムの,データ駆動による実装を提案する。 DeepSICは、チャネルを線形にすることなく、限られたトレーニングサンプルから共同検出を行うことを学ぶ。
  論文  参考訳（メタデータ） (2020-02-08T18:31:00Z)

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。