Fugu-MT 論文翻訳(概要): EEGDnet: Fusing Non-Local and Local Self-Similarity for 1-D EEG Signal Denoising with 2-D Transformer

論文の概要: EEGDnet: Fusing Non-Local and Local Self-Similarity for 1-D EEG Signal Denoising with 2-D Transformer

arxiv url: http://arxiv.org/abs/2109.04235v1
Date: Thu, 9 Sep 2021 12:55:19 GMT
ステータス: 処理完了
システム内更新日: 2021-09-10 23:28:02.816581
Title: EEGDnet: Fusing Non-Local and Local Self-Similarity for 1-D EEG Signal Denoising with 2-D Transformer
Title（参考訳）: EEGDnet:2次元変換器を用いた1次元脳波信号の非局所的・局所的自己相似性
Authors: Peng Yi, Kecheng Chen, Zhaoqi Ma, Di Zhao, Xiaorong Pu and Yazhou Ren
Abstract要約: 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。
参考スコア（独自算出の注目度）: 8.295946712221845
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Electroencephalogram (EEG) has shown a useful approach to produce a brain-computer interface (BCI). One-dimensional (1-D) EEG signal is yet easily disturbed by certain artifacts (a.k.a. noise) due to the high temporal resolution. Thus, it is crucial to remove the noise in received EEG signal. Recently, deep learning-based EEG signal denoising approaches have achieved impressive performance compared with traditional ones. It is well known that the characteristics of self-similarity (including non-local and local ones) of data (e.g., natural images and time-domain signals) are widely leveraged for denoising. However, existing deep learning-based EEG signal denoising methods ignore either the non-local self-similarity (e.g., 1-D convolutional neural network) or local one (e.g., fully connected network and recurrent neural network). To address this issue, we propose a novel 1-D EEG signal denoising network with 2-D transformer, namely EEGDnet. Specifically, we comprehensively take into account the non-local and local self-similarity of EEG signal through the transformer module. By fusing non-local self-similarity in self-attention blocks and local self-similarity in feed forward blocks, the negative impact caused by noises and outliers can be reduced significantly. Extensive experiments show that, compared with other state-of-the-art models, EEGDnet achieves much better performance in terms of both quantitative and qualitative metrics.
Abstract（参考訳）: 脳波(EEG)は脳-コンピュータインターフェース(BCI)を作成する上で有用なアプローチである。 1次元(1次元)の脳波信号は、特定のアーティファクト(a.k.a.)によって妨害され易い。ノイズ) 高時間分解能による。したがって、受信した脳波信号のノイズを取り除くことが重要である。近年,深層学習に基づく脳波信号デノゲーション手法は,従来のものと比べ,優れた性能を達成している。データ(自然画像や時間領域信号など)の自己相似性(非局所的および局所的情報を含む)の特徴が広く活用されていることはよく知られている。しかし、既存のディープラーニングベースの脳波信号分別法は、非局所的自己相似性(例えば1次元畳み込みニューラルネットワーク)または局所的相似性(例えば、完全連結ネットワークと再帰的ニューラルネットワーク)を無視している。そこで本稿では,2次元トランスフォーマーを用いた1次元eeg信号デノージングネットワークであるeegdnetを提案する。具体的には、トランスフォーマーモジュールによる脳波信号の非局所的および局所的自己相似性を総合的に考慮する。フィードフォワードブロックにおける非局所的な自己相似性と局所的な自己相似性を融合することにより、ノイズやアウトリーチによる負の影響を著しく低減することができる。大規模な実験では、他の最先端モデルと比較して、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。

関連論文リスト

EEGDiR: Electroencephalogram denoising network for temporal information storage and global modeling through Retentive Network [11.491355463353731]
我々はRetnetを自然言語処理から脳波分解まで導入する。 Retnetの脳波への直接的適用は脳波信号の1次元の性質のため不可能である。本稿では,1次元の脳波信号を2次元に変換してネットワーク入力として用いる信号埋め込み手法を提案する。
論文参考訳（メタデータ） (2024-03-20T15:04:21Z)
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)
Degradation-Noise-Aware Deep Unfolding Transformer for Hyperspectral Image Denoising [9.119226249676501]
ハイパースペクトル画像(HSI)は、帯域幅が狭いため、ノイズが多いことが多い。 HSIデータキューブのノイズを低減するため、モデル駆動型と学習型の両方の復調アルゴリズムが提案されている。本稿では,これらの問題に対処するDNA-Net(Degradation-Noise-Aware Unfolding Network)を提案する。
論文参考訳（メタデータ） (2023-05-06T13:28:20Z)
Data-Driven Blind Synchronization and Interference Rejection for Digital Communication Signals [98.95383921866096]
本研究では,データ駆動型深層学習手法の可能性について検討した。本研究では,高分解能時間構造(非定常性)の取得が性能向上につながることを示す。既製のNNと古典的検出と干渉除去の両方で改善可能なドメインインフォームドニューラルネットワーク(NN)の設計を提案する。
論文参考訳（メタデータ） (2022-09-11T14:10:37Z)
Exploiting Cross Domain Acoustic-to-articulatory Inverted Features For Disordered Speech Recognition [57.15942628305797]
調音機能は音響信号歪みに不変であり、正常音声の自動音声認識システムにうまく組み込まれている。本稿では,15時間 TORGO コーパスの並列音響・調音データをモデルトレーニングに用いるクロスドメイン音響・調音(A2A)インバージョン手法を提案する。クロスドメインは102.7時間のUASpeechコーパスに適応し、調音的特徴を生産する。
論文参考訳（メタデータ） (2022-03-19T08:47:18Z)
Electroencephalogram Signal Processing with Independent Component Analysis and Cognitive Stress Classification using Convolutional Neural Networks [0.0]
本稿では,独立成分分析(ICA)を用いた脳波信号の相互相関について提案する。記録データの結果から,脳波データの損失が少なくてEOG信号アーチファクトを除去できることが示唆された。
論文参考訳（メタデータ） (2021-08-22T18:38:12Z)
Robust learning from corrupted EEG with dynamic spatial filtering [68.82260713085522]
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。
論文参考訳（メタデータ） (2021-05-27T02:33:16Z)
Orthogonal Features Based EEG Signals Denoising Using Fractional and Compressed One-Dimensional CNN AutoEncoder [3.8580784887142774]
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。
論文参考訳（メタデータ） (2021-04-16T13:58:05Z)
EEG-Inception: An Accurate and Robust End-to-End Neural Network for EEG-based Motor Imagery Classification [123.93460670568554]
本稿では,脳波に基づく運動画像(MI)分類のための新しい畳み込みニューラルネットワーク(CNN)アーキテクチャを提案する。提案したCNNモデル、すなわちEEG-Inceptionは、Inception-Timeネットワークのバックボーン上に構築されている。提案するネットワークは、生のEEG信号を入力とし、複雑なEEG信号前処理を必要としないため、エンドツーエンドの分類である。
論文参考訳（メタデータ） (2021-01-24T19:03:10Z)
Neighbor2Neighbor: Self-Supervised Denoising from Single Noisy Images [98.82804259905478]
Neighbor2Neighborを提示し、ノイズの多い画像のみで効果的な画像消音モデルをトレーニングします。ネットワークのトレーニングに使用される入力とターゲットは、同じノイズ画像からサブサンプリングされた画像である。デノイジングネットワークは、第1段階で生成されたサブサンプルトレーニングペアで訓練され、提案された正規化器は、より良いパフォーマンスのための追加の損失として訓練される。
論文参考訳（メタデータ） (2021-01-08T02:03:25Z)
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。

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。