論文の概要: Embedding Decomposition for Artifacts Removal in EEG Signals
- arxiv url: http://arxiv.org/abs/2112.00989v1
- Date: Thu, 2 Dec 2021 05:30:38 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-03 16:42:19.513849
- Title: Embedding Decomposition for Artifacts Removal in EEG Signals
- Title（参考訳）: 脳波信号におけるアーティファクト除去のための埋め込み分解
- Authors: Junjie Yu, Chenyi Li, Kexin Lou, Chen Wei, Quanying Liu
- Abstract要約: 組込み空間におけるニューラル信号とアーティファクトを分離し,DeepSeparatorと呼ばれる復号信号の再構成を行うフレームワークを提案する。
DeepSeparatorはエンコーダを使用して生の脳波の特徴を抽出し増幅し、デコンポザと呼ばれるモジュールでトレンドを抽出し、アーティファクトを検出して抑制する。
- 参考スコア（独自算出の注目度）: 1.0843348451114412
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Electroencephalogram (EEG) recordings are often contaminated with artifacts.
Various methods have been developed to eliminate or weaken the influence of
artifacts. However, most of them rely on prior experience for analysis. Here,
we propose an deep learning framework to separate neural signal and artifacts
in the embedding space and reconstruct the denoised signal, which is called
DeepSeparator. DeepSeparator employs an encoder to extract and amplify the
features in the raw EEG, a module called decomposer to extract the trend,
detect and suppress artifact and a decoder to reconstruct the denoised signal.
Besides, DeepSeparator can extract the artifact, which largely increases the
model interpretability. The proposed method is tested with a semi-synthetic EEG
dataset and a real task-related EEG dataset, suggesting that DeepSeparator
outperforms the conventional models in both EOG and EMG artifact removal.
DeepSeparator can be extended to multi-channel EEG and data of any length. It
may motivate future developments and application of deep learning-based EEG
denoising. The code for DeepSeparator is available at
https://github.com/ncclabsustech/DeepSeparator.
- Abstract（参考訳）: 脳波(eeg)記録は、しばしば人工物で汚染される。
人工物の影響を排除または弱める様々な方法が開発されている。
しかし、そのほとんどは分析に事前の経験に依存している。
本稿では,埋め込み空間における神経信号とアーチファクトを分離し,分断信号(deepseparator)を再構成する深層学習フレームワークを提案する。
DeepSeparatorはエンコーダを使用して生の脳波の特徴を抽出し増幅し、デコンポザと呼ばれるモジュールでトレンドを抽出し、アーティファクトを検出して抑制する。
さらに、deepseparatorはアーティファクトを抽出できるため、モデル解釈性が大幅に向上する。
提案手法は半合成EEGデータセットと実タスク関連EEGデータセットを用いてテストし,EOGとEMGのアーティファクト除去においてDeepSeparatorが従来のモデルより優れていることを示唆した。
deepseparatorはマルチチャネルeegと任意の長さのデータに拡張できる。
深層学習に基づく脳波分析の今後の発展と応用を動機付けるかもしれない。
deepseparatorのコードはhttps://github.com/ncclabsustech/deepseparatorで入手できる。
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) - Data-Independent Operator: A Training-Free Artifact Representation
Extractor for Generalizable Deepfake Detection [105.9932053078449]
本研究では,より一般的な人工物表現を捉えるのに,小型かつトレーニング不要なフィルタが十分であることを示す。
トレーニングソースとテストソースの両方に不偏があるため、未確認ソースに対して魅力的な改善を実現するために、Data-Independent Operator (DIO)と定義する。
我々の検出器は13.3%の大幅な改善を実現し、新しい最先端の性能を確立した。
論文 参考訳（メタデータ） (2024-03-11T15:22:28Z) - Rethinking the Up-Sampling Operations in CNN-based Generative Network
for Generalizable Deepfake Detection [86.97062579515833]
我々は、アップサンプリング操作から生じる一般化された構造的アーティファクトをキャプチャし、特徴付ける手段として、NPR(Neighboring Pixel Relationships)の概念を紹介した。
tft28の異なる生成モデルによって生成されたサンプルを含む、オープンワールドデータセット上で包括的な分析を行う。
この分析は、新しい最先端のパフォーマンスを確立し、既存の手法よりも優れたtft11.6%の向上を示している。
論文 参考訳（メタデータ） (2023-12-16T14:27:06Z) - MAEEG: Masked Auto-encoder for EEG Representation Learning [3.9098552109609086]
脳波自動エンコーダ(MAEEG)を用いた再構成型自己教師型学習モデルを提案する。
少数のラベルが与えられた場合,MAEEGは睡眠段階分類(5%の精度向上)を大幅に改善する表現を学習できることがわかった。
論文 参考訳（メタデータ） (2022-10-27T21:43:35Z) - IC-U-Net: A U-Net-based Denoising Autoencoder Using Mixtures of
Independent Components for Automatic EEG Artifact Removal [2.454595178503407]
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。
論文 参考訳（メタデータ） (2021-11-19T03:45:53Z) - Anchor-free Oriented Proposal Generator for Object Detection [59.54125119453818]
オブジェクト指向物体検出はリモートセンシング画像解釈において実用的で困難な課題である。
今日では、指向性検出器は主に水平方向の箱を中間体として使用し、それらから指向性のある箱を導出している。
本稿では,ネットワークアーキテクチャから水平ボックス関連操作を放棄する,AOPG(Anchor-free Oriented Proposal Generator)を提案する。
論文 参考訳（メタデータ） (2021-10-05T10:45:51Z) - Small Lesion Segmentation in Brain MRIs with Subpixel Embedding [105.1223735549524]
ヒト脳のMRIスキャンを虚血性脳梗塞と正常組織に分割する方法を提案する。
本稿では,空間展開埋め込みネットワークによって予測を導出する標準エンコーダデコーダの形式でニューラルネットワークアーキテクチャを提案する。
論文 参考訳（メタデータ） (2021-09-18T00:21:17Z) - 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) - 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) - 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。