Fugu-MT 論文翻訳(概要): Artifact Detection and Correction in EEG data: A Review

論文の概要: Artifact Detection and Correction in EEG data: A Review

arxiv url: http://arxiv.org/abs/2106.13081v1
Date: Thu, 10 Jun 2021 18:16:21 GMT
ステータス: 処理完了
システム内更新日: 2021-06-27 09:03:46.781836
Title: Artifact Detection and Correction in EEG data: A Review
Title（参考訳）: 脳波データにおけるアーチファクト検出と補正
Authors: S Sadiya, T Alhanai, MM Ghassemi
Abstract要約: EEGアプリケーションは低信号対雑音比で制限されている。これらのアーティファクトを検出し、修正するための多くの技術が提案されている。本稿では,脳波データアーチファクトの検出と修正に関する,最新の技術および古典的手法について概説する。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Electroencephalography (EEG) has countless applications across many of fields. However, EEG applications are limited by low signal-to-noise ratios. Multiple types of artifacts contribute to the noisiness of EEG, and many techniques have been proposed to detect and correct these artifacts. These techniques range from simply detecting and rejecting artifact ridden segments, to extracting the noise component from the EEG signal. In this paper we review a variety of recent and classical techniques for EEG data artifact detection and correction with a focus on the last half-decade. We compare the strengths and weaknesses of the approaches and conclude with proposed future directions for the field.
Abstract（参考訳）: 脳電図(EEG)は多くの分野に無数の応用がある。しかし、脳波の応用は低信号対雑音比で制限される。複数の種類のアーティファクトが脳波のノイズに寄与し、これらのアーティファクトを検出し、修正するための多くの技術が提案されている。これらの手法は、単にアーティファクトリデンセグメントを検出して拒否することから、脳波信号からノイズ成分を抽出することまで様々である。本稿では,脳波データアーチファクト検出と補正のための最新の手法と古典的手法について,最後の半減期に着目して検討する。提案手法の強みと弱みを比較し,今後の方向性について考察する。

関連論文リスト

Underwater Object Detection in the Era of Artificial Intelligence: Current, Challenge, and Future [119.88454942558485]
水中物体検出(UOD)は、水中の画像やビデオ中の物体を識別し、ローカライズすることを目的としている。近年、人工知能(AI)に基づく手法、特に深層学習法は、UODにおいて有望な性能を示している。
論文参考訳（メタデータ） (2024-10-08T00:25:33Z)
Encoder with the Empirical Mode Decomposition (EMD) to remove muscle artefacts from EEG signal [0.0]
本稿では,経験的モード分解(EMD)法と機械学習アーキテクチャを組み合わせることで,脳波信号からアーティファクトを効果的に除去する手法を提案する。
論文参考訳（メタデータ） (2024-09-22T19:22:22Z)
ART: Artifact Removal Transformer for Reconstructing Noise-Free Multichannel Electroencephalographic Signals [0.10499611180329801]
脳波(EEG)のアーチファクト除去は神経科学的な分析と脳-コンピュータインターフェース(BCI)のパフォーマンスに大きな影響を及ぼす。本研究は,脳波信号の過渡ミリ秒スケール特性を順応的に捉えるため,トランスフォーマーアーキテクチャを用いた脳波復調モデルを提案する。脳波信号処理においてARTが他の深層学習に基づくアーティファクト除去手法を上回ることが確認された。
論文参考訳（メタデータ） (2024-09-11T15:05:40Z)
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)
EOG Artifact Removal from Single and Multi-channel EEG Recordings through the combination of Long Short-Term Memory Networks and Independent Component Analysis [0.0]
脳波信号からのEOGアーチファクト除去の課題に対処するために,LSTM(Long Short-term memory)ベースのニューラルネットワークとICAを組み合わせた新しい手法を提案する。本研究の目的は,1) 汚染された脳波データから水平および垂直EOG信号を推定し,2) ICAを用いて脳波から推定EOG信号を除去することである。
論文参考訳（メタデータ） (2023-08-25T13:32:28Z)
Noise removal methods on ambulatory EEG: A Survey [2.580765958706854]
騒音の検出・除去技術を明らかにするために,100以上の研究論文が議論されている。脳波データセットの異なる条件で、目を開けたり閉じたりして、増幅法を検出するのに必要なパターン認識が変化する。
論文参考訳（メタデータ） (2023-07-17T02:31:02Z)
Continual Detection Transformer for Incremental Object Detection [154.8345288298059]
インクリメンタルオブジェクト検出(IOD)は、新しいオブジェクトカテゴリに対するアノテーションを備えた、フェーズ内のオブジェクト検出をトレーニングすることを目的としている。他の段階的な設定として、IODは破滅的な忘れがちであり、知識蒸留(KD)や模範再生(ER)といった技術によってしばしば対処される。本稿では,この文脈でKDとERを効果的に活用できるトランスフォーマーベースのIODを提案する。
論文参考訳（メタデータ） (2023-04-06T14:38:40Z)
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)
High Frequency EEG Artifact Detection with Uncertainty via Early Exit Paradigm [70.50499513259322]
現在のアーティファクト検出パイプラインはリソース不足であり、手作りの機能に大きく依存している。高周波脳波アーチファクト検出のためのディープラーニングフレームワークであるE4Gを提案する。われわれのフレームワークは初期の出口パラダイムを利用して、不確実性を捉えることのできるモデルの暗黙のアンサンブルを構築している。
論文参考訳（メタデータ） (2021-07-21T07:05:42Z)
Signal Processing and Machine Learning Techniques for Terahertz Sensing: An Overview [89.09270073549182]
テラヘルツ(THz)信号生成と放射法は、無線システムの未来を形作っている。 THz 固有の信号処理技術は、THz 帯域の効率的な利用のために、この THz センシングへの関心を補う必要がある。本稿では,信号前処理に着目した手法の概要を示す。また,THz帯で有望な知覚能力を探索し,深層学習の有効性についても検討した。
論文参考訳（メタデータ） (2021-04-09T01:38:34Z)
Deep learning denoising for EOG artifacts removal from EEG signals [0.5243460995467893]
脳波の偏光過程における最も難しい問題のひとつは、眼のアーチファクトを除去することである。本稿では,この課題に対処する深層学習モデルを構築・訓練し,眼のアーチファクトを効果的に除去する。我々は3つの異なるスキームを提案し、U-NETベースのモデルで汚染された脳波信号の浄化を学ばせた。
論文参考訳（メタデータ） (2020-09-12T23:28:12Z)

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。