論文の概要: vEEGNet: learning latent representations to reconstruct EEG raw data via variational autoencoders

• arxiv url: http://arxiv.org/abs/2312.09449v1
• Date: Thu, 16 Nov 2023 19:24:40 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-15 14:10:32.869405
• Title: vEEGNet: learning latent representations to reconstruct EEG raw data via variational autoencoders
• Title（参考訳）: vEEGNet:変動オートエンコーダによる脳波生データ再構成のための潜在表現学習
• Authors: Alberto Zancanaro, Giulia Cisotto, Italo Zoppis, Sara Lucia Manzoni
• Abstract要約: 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。
• 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: Electroencephalografic (EEG) data are complex multi-dimensional time-series that are very useful in many applications, from diagnostics to driving brain-computer interface systems. Their classification is still a challenging task, due to the inherent within- and between-subject variability and their low signal-to-noise ratio. On the other hand, the reconstruction of raw EEG data is even more difficult because of the high temporal resolution of these signals. Recent literature has proposed numerous machine and deep learning models that could classify, e.g., different types of movements, with an accuracy in the range 70% to 80% (with 4 classes). On the other hand, a limited number of works targeted the reconstruction problem, with very limited results. In this work, we propose vEEGNet, a DL architecture with two modules, i.e., an unsupervised module based on variational autoencoders to extract a latent representation of the data, and a supervised module based on a feed-forward neural network to classify different movements. To build the encoder and the decoder of VAE we exploited the well-known EEGNet network. We implemented two slightly different architectures of vEEGNet, thus showing state-of-the-art classification performance, and the ability to reconstruct both low-frequency and middle-range components of the raw EEG. Although preliminary, this work is promising as we found out that the low-frequency reconstructed signals are consistent with the so-called motor-related cortical potentials, well-known motor-related EEG patterns and we could improve over previous literature by reconstructing faster EEG components, too. Further investigations are needed to explore the potentialities of vEEGNet in reconstructing the full EEG data, generating new samples, and studying the relationship between classification and reconstruction performance.
• Abstract（参考訳）: eeg(electroencephalografic)データは複雑な多次元時系列であり、診断から脳-コンピューターインタフェースシステム駆動まで、多くのアプリケーションで非常に有用である。 彼らの分類は、内部および物体間の変動と信号対雑音比の低いため、依然として難しい課題である。 一方、これらの信号の高時間分解能のため、生の脳波データの再構成はさらに困難である。 最近の文献では、様々なタイプの動作を70%から80%(4つのクラス)の精度で分類できる多くの機械学習モデルとディープラーニングモデルが提案されている。 一方、再建問題に焦点をあてた作品は限られており、その結果は非常に限られていた。 本稿では,2つのモジュールからなるdlアーキテクチャであるveegnet,すなわち,データの潜在表現を抽出するための変分オートエンコーダに基づく教師なしモジュールと,異なる動きを分類するための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を提案する。 VAEのエンコーダとデコーダを構築するために、よく知られたEEGNetネットワークを利用した。 veegnetの2つのアーキテクチャを実装し,最先端の分類性能を示し,脳波の低周波成分と中距離成分の両方を再構成する能力を示した。 予備的ではあるが, 低周波再構成信号は, いわゆる運動関連皮質電位, 有名な運動関連脳波パターンと一致しており, より高速な脳波成分の再構成により, これまでの文献よりも改善できる可能性が示唆された。 完全な脳波データを再構成し、新しいサンプルを生成し、分類と再構成性能の関係を研究する上で、vEEGNetの可能性についてさらなる調査が必要である。

関連論文リスト

• 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)
• REST: Efficient and Accelerated EEG Seizure Analysis through Residual State Updates [54.96885726053036]
  本稿では,リアルタイム脳波信号解析のための新しいグラフベース残状態更新機構(REST)を提案する。 グラフニューラルネットワークとリカレント構造の組み合わせを活用することで、RESTは、非ユークリッド幾何学とEEGデータ内の時間的依存関係の両方を効率的にキャプチャする。 本モデルは,発作検出と分類作業において高い精度を示す。
  論文  参考訳（メタデータ） (2024-06-03T16:30:19Z)
• EEGEncoder: Advancing BCI with Transformer-Based Motor Imagery Classification [11.687193535939798]
  脳-コンピュータインタフェース(BCI)は、脳波信号を用いてデバイスを直接神経制御する。 脳波に基づく運動画像(MI)分類のための従来の機械学習手法は、手動の特徴抽出やノイズに対する感受性といった課題に遭遇する。 本稿では,これらの制限を克服するために改良型トランスフォーマーとTCNを用いたディープラーニングフレームワークであるEEGEncoderを紹介する。
  論文  参考訳（メタデータ） (2024-04-23T09:51:24Z)
• 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)
• hvEEGNet: exploiting hierarchical VAEs on EEG data for neuroscience applications [3.031375888004876]
  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。
  論文  参考訳（メタデータ） (2023-11-20T15:36:31Z)
• 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)
• EEG-ITNet: An Explainable Inception Temporal Convolutional Network for Motor Imagery Classification [0.5616884466478884]
  我々はEEG-ITNetと呼ばれるエンドツーエンドのディープラーニングアーキテクチャを提案する。 本モデルでは,多チャンネル脳波信号からスペクトル,空間,時間情報を抽出することができる。 EEG-ITNetは、異なるシナリオにおける分類精度を最大5.9%改善する。
  論文  参考訳（メタデータ） (2022-04-14T13:18:43Z)
• TELESTO: A Graph Neural Network Model for Anomaly Classification in Cloud Services [77.454688257702]
  機械学習(ML)と人工知能(AI)はITシステムの運用とメンテナンスに適用される。 1つの方向は、修復自動化を可能にするために、繰り返し発生する異常タイプを認識することである。 与えられたデータの次元変化に不変な手法を提案する。
  論文  参考訳（メタデータ） (2021-02-25T14:24:49Z)
• 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)
• Deep Cellular Recurrent Network for Efficient Analysis of Time-Series Data with Spatial Information [52.635997570873194]
  本研究では,空間情報を用いた複雑な多次元時系列データを処理するための新しいディープセルリカレントニューラルネットワーク(DCRNN)アーキテクチャを提案する。 提案するアーキテクチャは,文献に比較して,学習可能なパラメータをかなり少なくしつつ,最先端の性能を実現している。
  論文  参考訳（メタデータ） (2021-01-12T20:08:18Z)
• 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。