論文の概要: hvEEGNet: exploiting hierarchical VAEs on EEG data for neuroscience applications

• arxiv url: http://arxiv.org/abs/2312.00799v1
• Date: Mon, 20 Nov 2023 15:36:31 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-11 03:45:36.272148
• Title: hvEEGNet: exploiting hierarchical VAEs on EEG data for neuroscience applications
• Title（参考訳）: hveegnet:脳波データによる階層的vaesの神経科学への応用
• Authors: Giulia Cisotto, Alberto Zancanaro, Italo F. Zoppis, Sara L. Manzoni
• Abstract要約: 脳波の既存のDLベースのモデリング手法に2つの課題がある。 被験者間の高いばらつきと低信号対雑音比は、脳波データの良好な品質を確保するのを困難にしている。 本稿では,高忠実度脳波再構成問題を対象とした2つの変分オートエンコーダモデル,すなわちvEEGNet-ver3とhvEEGNetを提案する。
• 参考スコア（独自算出の注目度）: 3.031375888004876
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: With the recent success of artificial intelligence in neuroscience, a number of deep learning (DL) models were proposed for classification, anomaly detection, and pattern recognition tasks in electroencephalography (EEG). EEG is a multi-channel time-series that provides information about the individual brain activity for diagnostics, neuro-rehabilitation, and other applications (including emotions recognition). Two main issues challenge the existing DL-based modeling methods for EEG: the high variability between subjects and the low signal-to-noise ratio making it difficult to ensure a good quality in the EEG data. In this paper, we propose two variational autoencoder models, namely vEEGNet-ver3 and hvEEGNet, to target the problem of high-fidelity EEG reconstruction. We properly designed their architectures using the blocks of the well-known EEGNet as the encoder, and proposed a loss function based on dynamic time warping. We tested the models on the public Dataset 2a - BCI Competition IV, where EEG was collected from 9 subjects and 22 channels. hvEEGNet was found to reconstruct the EEG data with very high-fidelity, outperforming most previous solutions (including our vEEGNet-ver3 ). Furthermore, this was consistent across all subjects. Interestingly, hvEEGNet made it possible to discover that this popular dataset includes a number of corrupted EEG recordings that might have influenced previous literature results. We also investigated the training behaviour of our models and related it with the quality and the size of the input EEG dataset, aiming at opening a new research debate on this relationship. In the future, hvEEGNet could be used as anomaly (e.g., artefact) detector in large EEG datasets to support the domain experts, but also the latent representations it provides could be used in other classification problems and EEG data generation.
• Abstract（参考訳）: 近年の神経科学における人工知能の成功により、脳波(EEG)における分類、異常検出、パターン認識タスクのための多くのディープラーニング(DL)モデルが提案された。 EEGは、診断、神経リハビリテーション、その他の応用(感情認識を含む)のための個々の脳活動に関する情報を提供するマルチチャンネルの時系列である。 脳波データの品質を確保するのが難しく、被験者間の高いばらつきと低信号対雑音比の2つの主要な課題が、既存のDLベースの脳波モデリング手法の課題である。 本稿では,高忠実度脳波再構成問題を対象とした2つの変分オートエンコーダモデル,すなわちvEEGNet-ver3とhvEEGNetを提案する。 我々は、よく知られたEEGNetのブロックをエンコーダとして、それらのアーキテクチャを適切に設計し、動的時間ワープに基づく損失関数を提案した。 我々は,公開データセット2a - bci competition ivで実験を行い,脳波を被験者9名とチャネル22名から収集した。 hvEEGNetは、非常に高い忠実度でEEGデータを再構築し、以前のソリューション(vEEGNet-ver3を含む)よりも優れています。 さらに、これはすべての主題で一致した。 興味深いことに、hvEEGNetは、この人気のあるデータセットには、過去の文献結果に影響を与えた可能性のある、多数の破損した脳波記録が含まれていることを発見した。 また,モデルのトレーニング行動を調査し,入力脳波データセットの品質とサイズと関連づけ,この関係に関する新たな研究討論を開くことを目的とした。 将来的には、hvEEGNetは、大規模なEEGデータセットの異常(例えば、アーティファクト)検出器としてドメインの専門家をサポートするために使用することができるが、他の分類問題やEEGデータ生成にも使用することができる。

関連論文リスト

• EEGPT: Unleashing the Potential of EEG Generalist Foundation Model by Autoregressive Pre-training [9.57946371147345]
  EEGPTはこれらの課題に対処するために設計された最初の一般のEEG基盤モデルである。 まず,各電極を基本単位として扱う電極ワイド・モデリング手法を提案する。 第2に、最初の自己回帰型脳波事前学習モデルを開発する。 第3に,学習可能な電極グラフネットワークを用いたマルチタスク転送学習パラダイムを提案する。
  論文  参考訳（メタデータ） (2024-10-14T12:17:54Z)
• RISE-iEEG: Robust to Inter-Subject Electrodes Implantation Variability iEEG Classifier [0.0]
  RISE-iEEGはRobust Inter-Subject Electrode implantation Variability iEEGの略である。 iEEGデコーダモデルを開発し,各患者に電極の座標を必要とせずに複数の患者のデータに適用した。 分析の結果, RISE-iEEG は HTNet や EEGNet よりも F1 よりも10%高い値を示した。
  論文  参考訳（メタデータ） (2024-08-12T18:33:19Z)
• vEEGNet: learning latent representations to reconstruct EEG raw data via variational autoencoders [3.031375888004876]
  本稿では,2つのモジュールを持つDLアーキテクチャであるvEEGNetを提案する。つまり,データの潜在表現を抽出する変分オートエンコーダに基づく教師なしモジュールと,フィードフォワードニューラルネットワークに基づく教師付きモジュールにより異なる動作を分類する。 我々は最先端の分類性能を示し、生の脳波の低周波成分と中周波成分の両方を再構成する能力を示した。
  論文  参考訳（メタデータ） (2023-11-16T19:24:40Z)
• 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)
• MAtt: A Manifold Attention Network for EEG Decoding [0.966840768820136]
  多様体注意ネットワーク(mAtt)を特徴とする脳波復号のための新しい幾何学的学習(GDL)モデルを提案する。 時間同期EEGデータセットと非同期EEGデータセットの両方におけるMAttの評価は、一般的なEEGデコーディングのための他の主要なDLメソッドよりも優れていることを示唆している。
  論文  参考訳（メタデータ） (2022-10-05T02:26:31Z)
• Task-oriented Self-supervised Learning for Anomaly Detection in Electroencephalography [51.45515911920534]
  タスク指向型自己教師型学習手法を提案する。 大きなカーネルを持つ特定の2つの分岐畳み込みニューラルネットワークを特徴抽出器として設計する。 効果的に設計され、訓練された特徴抽出器は、より優れた特徴表現を脳波から抽出できることが示されている。
  論文  参考訳（メタデータ） (2022-07-04T13:15:08Z)
• 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)
• A Novel Transferability Attention Neural Network Model for EEG Emotion Recognition [51.203579838210885]
  脳波感情認識のための伝達型注目ニューラルネットワーク(TANN)を提案する。 TANNは、伝達可能な脳波領域のデータとサンプルを適応的に強調することにより、感情的な識別情報を学習する。 これは、複数の脳領域レベル判別器と1つのサンプルレベル判別器の出力を測定することで実現できる。
  論文  参考訳（メタデータ） (2020-09-21T02:42:30Z)
• 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)
• Data Augmentation for Enhancing EEG-based Emotion Recognition with Deep Generative Models [13.56090099952884]
  本稿では、感情認識モデルの性能を高めるために、脳波トレーニングデータを増強する3つの方法を提案する。 フル利用戦略では、生成されたすべてのデータが、生成されたデータの品質を判断することなく、トレーニングデータセットに拡張される。 実験結果から,脳波を用いた感情認識モデルの性能向上を図った。
  論文  参考訳（メタデータ） (2020-06-04T21:23:09Z)
• Opportunities and Challenges of Deep Learning Methods for Electrocardiogram Data: A Systematic Review [62.490310870300746]
  心電図(Electrocardiogram、ECG)は、医学および医療において最も一般的に用いられる診断ツールの1つである。 深層学習法は心電図信号を用いた予測医療タスクにおいて有望な結果を得た。 本稿では、モデリングとアプリケーションの観点から、ECGデータに対するディープラーニング手法の体系的なレビューを行う。
  論文  参考訳（メタデータ） (2019-12-28T02:44:29Z)

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。