論文の概要: IC-U-Net: A U-Net-based Denoising Autoencoder Using Mixtures of
Independent Components for Automatic EEG Artifact Removal
- arxiv url: http://arxiv.org/abs/2111.10026v2
- Date: Mon, 22 Nov 2021 05:29:13 GMT
- ステータス: 処理完了
- システム内更新日: 2021-11-23 11:46:45.869331
- Title: IC-U-Net: A U-Net-based Denoising Autoencoder Using Mixtures of
Independent Components for Automatic EEG Artifact Removal
- Title（参考訳）: IC-U-Net:独立成分混合を用いたU-Netによる自動脳波アーチファクト除去
- Authors: Chun-Hsiang Chuang, Kong-Yi Chang, Chih-Sheng Huang, Tzyy-Ping Jung
- Abstract要約: ニューラルネットワークの誤解釈を防止するために,実用的で信頼性の高い人工物除去手法を開発することが不可欠である。
本研究では, 広汎な脳波アーチファクトを除去するためのU-Netアーキテクチャに基づく, IC-U-Netという新しいアーティファクト除去手法を開発した。
- 参考スコア（独自算出の注目度）: 2.454595178503407
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Electroencephalography (EEG) signals are often contaminated with artifacts.
It is imperative to develop a practical and reliable artifact removal method to
prevent misinterpretations of neural signals and underperformance of
brain-computer interfaces. This study developed a new artifact removal method,
IC-U-Net, which is based on the U-Net architecture for removing pervasive EEG
artifacts and reconstructing brain sources. The IC-U-Net was trained using
mixtures of brain and non-brain sources decomposed by independent component
analysis and employed an ensemble of loss functions to model complex signal
fluctuations in EEG recordings. The effectiveness of the proposed method in
recovering brain sources and removing various artifacts (e.g., eye
blinks/movements, muscle activities, and line/channel noises) was demonstrated
in a simulation study and three real-world EEG datasets collected at rest and
while driving and walking. IC-U-Net is user-friendly and publicly available,
does not require parameter tuning or artifact type designations, and has no
limitations on channel numbers. Given the increasing need to image natural
brain dynamics in a mobile setting, IC-U-Net offers a promising end-to-end
solution for automatically removing artifacts from EEG recordings.
- Abstract（参考訳）: 脳波(EEG)信号は、しばしば人工物で汚染される。
神経信号の誤解や脳-コンピューターインターフェースの過小評価を防止するために、実用的で信頼性の高いアーティファクト除去法を開発することが不可欠である。
本研究では,広汎な脳波アーチファクトを除去し,脳源を再構築するU-Netアーキテクチャに基づく新しい人工物除去手法IC-U-Netを開発した。
IC-U-Netは、独立成分分析によって分解された脳と非脳源の混合物を用いて訓練され、脳波記録における複雑な信号変動をモデル化するために、損失関数のアンサンブルを用いた。
提案手法は, 運転・歩行中および休息時に収集した3つの実世界の脳波データを用いてシミュレーション実験を行い, 脳源の回復と各種人工物(眼球運動, 筋活動, 線・チャネルノイズなど)の除去に有効であることを示した。
IC-U-Netはユーザフレンドリーで公開されており、パラメータチューニングやアーティファクトタイプ指定は必要とせず、チャンネル番号に制限はない。
モバイル環境での自然な脳のダイナミクスの画像化の必要性が高まる中、IC-U-Netは、EEGレコードからアーティファクトを自動的に削除する、有望なエンドツーエンドソリューションを提供する。
関連論文リスト
- 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) - Neuromorphic Split Computing with Wake-Up Radios: Architecture and Design via Digital Twinning [97.99077847606624]
本研究は,遠隔・無線接続型NPUからなる分割計算機システムに,覚醒無線機構を組み込んだ新しいアーキテクチャを提案する。
覚醒無線に基づくニューロモルフィックスプリットコンピューティングシステムの設計における重要な課題は、検知、覚醒信号検出、意思決定のためのしきい値の選択である。
論文 参考訳（メタデータ） (2024-04-02T10:19:04Z) - 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) - 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) - CLEEGN: A Convolutional Neural Network for Plug-and-Play Automatic EEG
Reconstruction [1.6999370482438731]
脳波自動再構成のための新しい畳み込みニューラルネットワークであるCLEEGNを提案する。
CLEEGNの性能は、波形観測、再構成誤差評価、復号精度などの複数の評価値を用いて検証した。
我々は、CLEEGNの広範囲な応用を、オンラインのプラグアンドプレイ脳波復号と分析の今後の研究に期待する。
論文 参考訳（メタデータ） (2022-10-12T07:56:09Z) - Deep Metric Learning with Locality Sensitive Angular Loss for
Self-Correcting Source Separation of Neural Spiking Signals [77.34726150561087]
本稿では, 深層学習に基づく手法を提案し, 自動掃除とロバスト分離フィルタの必要性に対処する。
本手法は, ソース分離した高密度表面筋電図記録に基づいて, 人工的に劣化したラベルセットを用いて検証する。
このアプローチにより、ニューラルネットワークは、信号のラベル付けの不完全な方法を使用して、神経生理学的時系列を正確に復号することができる。
論文 参考訳（メタデータ） (2021-10-13T21:51:56Z) - 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) - Analysis of artifacts in EEG signals for building BCIs [0.42641920138420947]
脳コンピュータインタフェース(BCI)は、人間の脳の信号を解釈する重要なメカニズムである。
脳波信号は、眼の瞬き、頭部の動き、顎の動きなど、多くの人工物が存在するためうるさい。
本稿では,低信号対雑音比の人工物を用いた実用的なBCIを提案する。
論文 参考訳（メタデータ） (2020-09-18T23:03:40Z) - 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) - 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)
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。