論文の概要: A Deep Learning Approach for the Segmentation of Electroencephalography Data in Eye Tracking Applications

• arxiv url: http://arxiv.org/abs/2206.08672v1
• Date: Fri, 17 Jun 2022 10:17:24 GMT
• ステータス: 処理完了
• システム内更新日: 2022-06-20 23:38:00.199525
• Title: A Deep Learning Approach for the Segmentation of Electroencephalography Data in Eye Tracking Applications
• Title（参考訳）: 眼球運動計測における脳波データのセグメンテーションのための深層学習手法
• Authors: Lukas Wolf, Ard Kastrati, Martyna Beata P{\l}omecka, Jie-Ming Li, Dustin Klebe, Alexander Veicht, Roger Wattenhofer, Nicolas Langer
• Abstract要約: 脳波データの時系列セグメンテーションのための新しいフレームワークDETRtimeを紹介する。 エンドツーエンドのディープラーニングベースのフレームワークは、コンピュータビジョンの進歩を前面に立たせています。 我々のモデルは脳波睡眠ステージセグメンテーションのタスクにおいてよく一般化される。
• 参考スコア（独自算出の注目度）: 56.458448869572294
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The collection of eye gaze information provides a window into many critical aspects of human cognition, health and behaviour. Additionally, many neuroscientific studies complement the behavioural information gained from eye tracking with the high temporal resolution and neurophysiological markers provided by electroencephalography (EEG). One of the essential eye-tracking software processing steps is the segmentation of the continuous data stream into events relevant to eye-tracking applications, such as saccades, fixations, and blinks. Here, we introduce DETRtime, a novel framework for time-series segmentation that creates ocular event detectors that do not require additionally recorded eye-tracking modality and rely solely on EEG data. Our end-to-end deep learning-based framework brings recent advances in Computer Vision to the forefront of the times series segmentation of EEG data. DETRtime achieves state-of-the-art performance in ocular event detection across diverse eye-tracking experiment paradigms. In addition to that, we provide evidence that our model generalizes well in the task of EEG sleep stage segmentation.
• Abstract（参考訳）: 視線情報の収集は、人間の認知、健康、行動の多くの重要な側面の窓となる。 さらに、多くの神経科学的研究は、視線追跡から得られる行動情報を高時間分解能と脳波(EEG)によって提供される神経生理学的マーカーで補完する。 重要なアイトラッキングソフトウェア処理ステップの1つは、連続データストリームを、ササード、フィクスメント、ブリンクなどのアイトラッキングアプリケーションに関連するイベントにセグメント化することである。 本稿では,脳波データのみに依存する眼球追跡モダリティを必要としない眼球イベント検出装置を,時系列セグメンテーションのための新しいフレームワークであるDETRtimeを紹介する。 我々のエンドツーエンドのディープラーニングベースのフレームワークは、脳波データの時系列セグメンテーションの最前線にコンピュータビジョンの最近の進歩をもたらします。 DETRtimeは様々な視線追跡実験パラダイムにまたがる眼球イベントの検出において最先端の性能を達成する。 さらに,脳波睡眠ステージセグメンテーションの課題において,我々のモデルがよく一般化していることを示す。

関連論文リスト

• Focused State Recognition Using EEG with Eye Movement-Assisted Annotation [4.705434077981147]
  脳波と眼球運動の特徴を学習するためのディープラーニングモデルは、脳活動の分類に有効である。 焦点を絞った状態は、タスクや思考に強い集中力を示し、焦点を絞らない状態は目の動きによって達成される。
  論文  参考訳（メタデータ） (2024-06-15T14:06:00Z)
• Eye-gaze Guided Multi-modal Alignment for Medical Representation Learning [65.54680361074882]
  アイゲイズガイドマルチモーダルアライメント(EGMA)フレームワークは、アイゲイズデータを利用して、医用視覚的特徴とテキスト的特徴のアライメントを改善する。 我々は4つの医療データセット上で画像分類と画像テキスト検索の下流タスクを行う。
  論文  参考訳（メタデータ） (2024-03-19T03:59:14Z)
• Polar-Net: A Clinical-Friendly Model for Alzheimer's Disease Detection in OCTA Images [53.235117594102675]
  オプティカルコヒーレンス・トモグラフィーは、網膜微小血管の画像化によってアルツハイマー病(AD)を検出するための有望なツールである。 我々はPolar-Netと呼ばれる新しいディープラーニングフレームワークを提案し、解釈可能な結果を提供し、臨床上の事前知識を活用する。 Polar-Netは既存の最先端の手法よりも優れており,網膜血管変化とADとの関連性について,より貴重な病理学的証拠を提供する。
  論文  参考訳（メタデータ） (2023-11-10T11:49:49Z)
• More Than Meets the Eye: Analyzing Anesthesiologists' Visual Attention in the Operating Room Using Deep Learning Models [0.0]
  現在、ほとんどの研究は、麻酔科医の視覚パターンを分析するためにウェアラブルアイトラッキング技術を採用している。 モニタ搭載ウェブカメラを処理する深層学習モデルを用いた新しい視線追跡手法を用いて,連続した行動データを収集した。 我々は,不確実な期間のVA分布と,活動期に関連するパターン,あるいは致命的,予期せぬ出来事におけるVA分布を区別した。
  論文  参考訳（メタデータ） (2023-08-10T11:12:04Z)
• An Interpretable and Attention-based Method for Gaze Estimation Using Electroencephalography [8.09848629098117]
  脳波データから視線を推定するための解釈可能なモデルを提案するため,脳波と視線追跡を同時に測定した大規模なデータセットを利用する。 本稿では,脳波信号分析のための新しい注目に基づくディープラーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-08-09T16:58:01Z)
• CLERA: A Unified Model for Joint Cognitive Load and Eye Region Analysis in the Wild [18.79132232751083]
  目領域のダイナミックスをリアルタイムに分析することで、人間の視覚的注意の割り当てを監視し、精神状態を推定することができる。 共同学習フレームワークにおいて,正確なキーポイント検出と時間追跡を実現するCLERAを提案する。 また,共同瞳孔,眼開放性,ランドマークアノテーションを用いた30万人の顔の大規模データセットも導入した。
  論文  参考訳（メタデータ） (2023-06-26T21:20:23Z)
• Follow My Eye: Using Gaze to Supervise Computer-Aided Diagnosis [54.60796004113496]
  医用画像を読む放射線科医の眼球運動は,DNNベースのコンピュータ支援診断システム(CAD)を訓練するための新たな指導形態であることが実証された。 画像を読んでいるときに、放射線科医の視線を記録します。 視線情報は処理され、アテンション一貫性モジュールを介してDNNの注意を監督するために使用される。
  論文  参考訳（メタデータ） (2022-04-06T08:31:05Z)
• ALEBk: Feasibility Study of Attention Level Estimation via Blink Detection applied to e-Learning [6.325464216802613]
  オンラインセッションにおける学生の視線点滅率と注意度との関係を実験的に評価した。 その結果, 点眼周波数と注意レベルとの逆相関が示唆された。 本研究は,今後のeラーニングプラットフォームに注目度推定技術を導入するための新しい研究ラインを開設する。
  論文  参考訳（メタデータ） (2021-12-16T19:23:56Z)
• Dynamic Graph Modeling of Simultaneous EEG and Eye-tracking Data for Reading Task Identification [79.41619843969347]
  我々は、脳波(EEG)と眼球運動(EM)データからヒトの読取意図を特定するための新しいアプローチAdaGTCNを提案する。 本稿では,AdaGTCN(Adaptive Graph Temporal Convolution Network)の手法として,Adaptive Graph Learning LayerとDeep Neighborhood Graph Convolution Layerを用いた。 このアプローチといくつかのベースラインを比較し、ZuCo 2.0データセットの6.29%の改善と広範なアブレーション実験を報告します。
  論文  参考訳（メタデータ） (2021-02-21T18:19:49Z)
• Uncovering the structure of clinical EEG signals with self-supervised learning [64.4754948595556]
  教師付き学習パラダイムは、しばしば利用可能なラベル付きデータの量によって制限される。 この現象は脳波(EEG)などの臨床関連データに特に問題となる。 ラベルのないデータから情報を抽出することで、ディープニューラルネットワークとの競合性能に到達することができるかもしれない。
  論文  参考訳（メタデータ） (2020-07-31T14:34:47Z)

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。