論文の概要: High Frequency EEG Artifact Detection with Uncertainty via Early Exit Paradigm

• arxiv url: http://arxiv.org/abs/2107.10746v1
• Date: Wed, 21 Jul 2021 07:05:42 GMT
• ステータス: 処理完了
• システム内更新日: 2021-07-23 15:21:43.131472
• Title: High Frequency EEG Artifact Detection with Uncertainty via Early Exit Paradigm
• Title（参考訳）: 早期出力パラダイムによる不確かさによる高周波脳波アーチファクト検出
• Authors: Lorena Qendro, Alexander Campbell, Pietro Li\`o, Cecilia Mascolo
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 70.50499513259322
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Electroencephalography (EEG) is crucial for the monitoring and diagnosis of brain disorders. However, EEG signals suffer from perturbations caused by non-cerebral artifacts limiting their efficacy. Current artifact detection pipelines are resource-hungry and rely heavily on hand-crafted features. Moreover, these pipelines are deterministic in nature, making them unable to capture predictive uncertainty. We propose E4G, a deep learning framework for high frequency EEG artifact detection. Our framework exploits the early exit paradigm, building an implicit ensemble of models capable of capturing uncertainty. We evaluate our approach on the Temple University Hospital EEG Artifact Corpus (v2.0) achieving state-of-the-art classification results. In addition, E4G provides well-calibrated uncertainty metrics comparable to sampling techniques like Monte Carlo dropout in just a single forward pass. E4G opens the door to uncertainty-aware artifact detection supporting clinicians-in-the-loop frameworks.
• Abstract（参考訳）: 脳波検査(EEG)は脳疾患のモニタリングと診断に重要である。 しかし、脳波信号は、その効果を制限する非ケレブラルアーティファクトによって引き起こされる摂動に苦しむ。 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。 さらに、これらのパイプラインは本質的に決定論的であり、予測の不確実性を捉えることができない。 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。 我々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ます。 我々は,テンプル大学病院脳波アーティファクトコーパス(v2.0)へのアプローチを評価し,最先端の分類結果を得た。 さらに、E4Gはモンテカルロのドロップアウトのようなサンプリングテクニックに匹敵する、十分な校正された不確実性指標を提供する。 E4Gは、臨床医のためのループフレームワークをサポートする不確実性を認識したアーティファクト検出への扉を開く。

関連論文リスト

• The role of noise in denoising models for anomaly detection in medical images [62.0532151156057]
  病理脳病変は脳画像に多彩な外観を示す。 正規データのみを用いた教師なし異常検出手法が提案されている。 空間分解能の最適化と雑音の大きさの最適化により,異なるモデル学習体制の性能が向上することを示す。
  論文  参考訳（メタデータ） (2023-01-19T21:39:38Z)
• Unsupervised Multivariate Time-Series Transformers for Seizure Identification on EEG [9.338549413542948]
  てんかん発作は通常、脳波記録(EEG)によって観察される。 生脳波による発作同定のための教師なしトランスフォーマーモデルを提案する。 我々は、教師なし損失関数を介してトランスフォーマーエンコーダを含むオートエンコーダを訓練し、新しいマスキング戦略を取り入れた。
  論文  参考訳（メタデータ） (2023-01-03T15:57:13Z)
• fMRI from EEG is only Deep Learning away: the use of interpretable DL to unravel EEG-fMRI relationships [68.8204255655161]
  多チャンネル脳波データからいくつかの皮質下領域の活性を回復するための解釈可能な領域基底解を提案する。 我々は,皮質下核の血行動態信号の頭皮脳波予測の空間的・時間的パターンを復元する。
  論文  参考訳（メタデータ） (2022-10-23T15:11:37Z)
• 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)
• Grasp-and-Lift Detection from EEG Signal Using Convolutional Neural Network [1.869097450593631]
  本稿では,32チャネル脳波信号から手動動作ビズGALを検出する手法を自動化した。 提案したパイプラインは、基本的には前処理とエンドツーエンド検出ステップを組み合わせたもので、手作りの機能エンジニアリングの必要性を排除している。
  論文  参考訳（メタデータ） (2022-02-12T19:27:06Z)
• Artifact Detection and Correction in EEG data: A Review [0.0]
  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。
  論文  参考訳（メタデータ） (2021-06-10T18:16:21Z)
• Automatic detection of abnormal EEG signals using wavelet feature extraction and gradient boosting decision tree [2.924868086534434]
  多チャンネル脳波記録における脳信号の自動二分分類フレームワークを提案する。 本稿では,抽出した特徴量の品質を損なうことなく,特徴空間の次元を小さくする手法を提案する。 CatBoostは87.68%のバイナリ分類精度を達成し、同じデータセットの最先端の技術を上回る。
  論文  参考訳（メタデータ） (2020-12-18T03:36:52Z)
• Detecting Parkinsonian Tremor from IMU Data Collected In-The-Wild using Deep Multiple-Instance Learning [59.74684475991192]
  パーキンソン病(英: Parkinson's Disease、PD)は、60歳以上の人口の約1%に影響を与える徐々に進化する神経学的疾患である。 PD症状には、震動、剛性、ブレイキネジアがある。 本稿では,スマートフォン端末から受信したIMU信号に基づいて,PDに関連するトレモラスなエピソードを自動的に識別する手法を提案する。
  論文  参考訳（メタデータ） (2020-05-06T09:02:30Z)
• Simultaneous Skull Conductivity and Focal Source Imaging from EEG Recordings with the help of Bayesian Uncertainty Modelling [77.34726150561087]
  本研究では,未知の頭蓋骨伝導率によるソース画像誤差を補正するベイズ近似誤差法に基づく統計的手法を提案する。 その結果, 震源位置推定精度と頭蓋骨伝導率の推定精度が向上していることが示唆された。
  論文  参考訳（メタデータ） (2020-01-31T21:33:56Z)

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。