論文の概要: neuro2vec: Masked Fourier Spectrum Prediction for Neurophysiological
Representation Learning
- arxiv url: http://arxiv.org/abs/2204.12440v1
- Date: Wed, 20 Apr 2022 16:48:18 GMT
- ステータス: 処理完了
- システム内更新日: 2022-05-09 00:13:41.294470
- Title: neuro2vec: Masked Fourier Spectrum Prediction for Neurophysiological
Representation Learning
- Title(参考訳): Neuro2vec: 神経生理学的表現学習のためのマスク付きフーリエスペクトル予測
- Authors: Di Wu, Siyuan Li, Jie Yang, Mohamad Sawan
- Abstract要約: 神経生理学的信号の自己教師付き事前学習のためのフーリエに基づくモデリングフレームワークを初めて提示する。
我々のモデリング手法は、下流の神経生理学的タスクを大きなマージンで改善することを示します。
- 参考スコア(独自算出の注目度): 17.99757247672905
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Extensive data labeling on neurophysiological signals is often prohibitively
expensive or impractical, as it may require particular infrastructure or domain
expertise. To address the appetite for data of deep learning methods, we
present for the first time a Fourier-based modeling framework for
self-supervised pre-training of neurophysiology signals. The intuition behind
our approach is simple: frequency and phase distribution of neurophysiology
signals reveal the underlying neurophysiological activities of the brain and
muscle. Our approach first randomly masks out a portion of the input signal and
then predicts the missing information from either spatiotemporal or the Fourier
domain. Pre-trained models can be potentially used for downstream tasks such as
sleep stage classification using electroencephalogram (EEG) signals and gesture
recognition using electromyography (EMG) signals. Unlike contrastive-based
methods, which strongly rely on carefully hand-crafted augmentations and
siamese structure, our approach works reasonably well with a simple transformer
encoder with no augmentation requirements. By evaluating our method on several
benchmark datasets, including both EEG and EMG, we show that our modeling
approach improves downstream neurophysiological related tasks by a large
margin.
- Abstract(参考訳): 神経生理学的信号の広範なデータラベリングは、特定のインフラやドメインの専門知識を必要とするため、しばしば高価または非実用的である。
深層学習手法のデータに対する欲求に対処するために,神経生理学的信号の自己教師付き事前学習のためのFourierベースのモデリングフレームワークを初めて提示する。
神経生理学的信号の頻度と位相分布は、脳と筋肉の基盤となる神経生理学的活動を明らかにする。
提案手法は,まず入力信号の一部をランダムにマスキングし,時空間あるいはフーリエ領域から欠落した情報を予測する。
事前訓練されたモデルは、脳波(EEG)信号を用いた睡眠段階分類や、筋電図(EMG)信号を用いたジェスチャー認識などの下流タスクに使用することができる。
厳密な手作り強化とシム構造に強く依存する対照的な手法とは異なり,本手法は,拡張要求のない単純なトランスフォーマーエンコーダで合理的に機能する。
本手法は,脳波と脳波の両方を含むいくつかのベンチマークデータセットで評価することで,下流の神経生理学的タスクを大きなマージンで改善できることを示す。
関連論文リスト
- Leveraging sinusoidal representation networks to predict fMRI signals
from EEG [3.3121941932506473]
本稿では,マルチチャネル脳波から直接fMRI信号を予測できる新しいアーキテクチャを提案する。
本モデルは,脳波の周波数情報を学習するための正弦波表現ネットワーク(SIREN)を実装して実現している。
我々は,脳波-fMRI同時データセットを8被験者で評価し,脳皮質下 fMRI 信号の予測の可能性について検討した。
論文 参考訳(メタデータ) (2023-11-06T03:16:18Z) - Optimized EEG based mood detection with signal processing and deep
neural networks for brain-computer interface [0.0]
本研究の目的は,脳波と被験者の気分との関係を識別するスマート意思決定モデルを確立することである。
健康な28人の被験者の脳波は同意を得て観測され、気分を研究・認識する試みがなされている。
これらの技術を用いて、96.01%の検出精度が得られた。
論文 参考訳(メタデータ) (2023-03-30T15:23:24Z) - Contrastive-Signal-Dependent Plasticity: Forward-Forward Learning of
Spiking Neural Systems [73.18020682258606]
我々は、ニューロンの個々の層が並列に機能する、スパイキングニューロンユニットからなる神経模倣アーキテクチャを開発する。
コントラスト信号依存塑性(CSDP)と呼ばれるイベントベース前方学習の一般化を提案する。
いくつかのパターンデータセットに対する実験結果から,CSDPプロセスは分類と再構成の両方が可能な動的再帰スパイクネットワークのトレーニングに有効であることが示された。
論文 参考訳(メタデータ) (2023-03-30T02:40:28Z) - 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) - Data-driven emergence of convolutional structure in neural networks [83.4920717252233]
識別タスクを解くニューラルネットワークが、入力から直接畳み込み構造を学習できることを示す。
データモデルを慎重に設計することにより、このパターンの出現は、入力の非ガウス的、高次局所構造によって引き起こされることを示す。
論文 参考訳(メタデータ) (2022-02-01T17:11:13Z) - fMRI Neurofeedback Learning Patterns are Predictive of Personal and
Clinical Traits [62.997667081978825]
機能的MRI(fMRI)による自律神経運動課題における学習経過の個人的シグネチャを得る。
署名は、第1セッションで同様のfMRI由来の脳の状態が与えられた後、第2セッションで扁桃体の活動を予測することに基づいている。
論文 参考訳(メタデータ) (2021-12-21T06:52:48Z) - DriPP: Driven Point Processes to Model Stimuli Induced Patterns in M/EEG
Signals [62.997667081978825]
我々はDriPPと呼ばれる新しい統計点過程モデルを開発する。
我々は、このモデルのパラメータを推定するために、高速で原理化された予測最大化(EM)アルゴリズムを導出する。
標準MEGデータセットの結果から,我々の手法が事象関連ニューラルレスポンスを明らかにすることが示された。
論文 参考訳(メタデータ) (2021-12-08T13:07:21Z) - A Compact and Interpretable Convolutional Neural Network for
Cross-Subject Driver Drowsiness Detection from Single-Channel EEG [4.963467827017178]
本稿では,ドライバの眠気検出のために,複数の被験者間で共有された脳波特徴を検出するための,コンパクトで解釈可能な畳み込みニューラルネットワークを提案する。
その結果,脳波信号の分類では,被験者11名に対して平均73.22%の精度が得られることがわかった。
論文 参考訳(メタデータ) (2021-05-30T14:36:34Z) - An electronic neuromorphic system for real-time detection of High
Frequency Oscillations (HFOs) in intracranial EEG [0.0]
本稿では,脳波記録ヘッドステージと信号-スパイク変換回路とマルチコアスパイクニューラルネットワークアーキテクチャを組み合わせたニューロモルフィックシステムを提案する。
本研究では,HFOを確実に検出する方法について述べる。このシステムは,最先端の精度,特異性,感度(それぞれ78%,100%,33%)で術後発作を予測できる。
これは、イベントベースのプロセッサを使用して、リアルタイム、オンチップで頭蓋内人間のデータに関連する特徴を特定するための最初の可能性研究である。
論文 参考訳(メタデータ) (2020-09-23T16:40:44Z) - Video-based Remote Physiological Measurement via Cross-verified Feature
Disentangling [121.50704279659253]
非生理的表現と生理的特徴を混同するための横断的特徴分離戦略を提案する。
次に, 蒸留された生理特性を用いて, 頑健なマルチタスク生理測定を行った。
歪んだ特徴は、最終的に平均HR値やr信号のような複数の生理的信号の合同予測に使用される。
論文 参考訳(メタデータ) (2020-07-16T09:39:17Z) - sEMG Gesture Recognition with a Simple Model of Attention [0.0]
表面筋電図(sEMG)信号の分類について述べる。
新たなアテンションベースモデルにより,複数の業界標準データセットのベンチマーク結果が得られた。
この結果から,sEMGは将来の機械学習研究の道のりとして有望であることが示唆された。
論文 参考訳(メタデータ) (2020-06-05T19:28:16Z)
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。