論文の概要: ESTformer: Transformer Utilizing Spatiotemporal Dependencies for EEG
Super-resolution
- arxiv url: http://arxiv.org/abs/2312.10052v1
- Date: Sun, 3 Dec 2023 12:26:32 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-15 14:00:44.335951
- Title: ESTformer: Transformer Utilizing Spatiotemporal Dependencies for EEG
Super-resolution
- Title(参考訳): ESTformer:脳波超解像の時空間依存性を利用した変換器
- Authors: Dongdong Li, Zhongliang Zeng, Zhe Wang, Hai Yang
- Abstract要約: ESTformerは、Transformerに基づいた一時的な依存関係を利用するEEGフレームワークである。
ESTformerは、空間と時間次元に位置符号化法とマルチヘッド自己認識機構を適用する。
- 参考スコア(独自算出の注目度): 14.2426667945505
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Towards practical applications of Electroencephalography (EEG) data,
lightweight acquisition devices, equipped with a few electrodes, result in a
predicament where analysis methods can only leverage EEG data with extremely
low spatial resolution. Recent methods mainly focus on using mathematical
interpolation methods and Convolutional Neural Networks for EEG
super-resolution (SR), but they suffer from high computation costs, extra bias,
and few insights in spatiotemporal dependency modeling. To this end, we propose
the ESTformer, an EEG SR framework utilizing spatiotemporal dependencies based
on the Transformer. The ESTformer applies positional encoding methods and the
Multi-head Self-attention mechanism to the space and time dimensions, which can
learn spatial structural information and temporal functional variation. The
ESTformer, with the fixed masking strategy, adopts a mask token to up-sample
the low-resolution (LR) EEG data in case of disturbance from mathematical
interpolation methods. On this basis, we design various Transformer blocks to
construct the Spatial Interpolation Module (SIM) and the Temporal
Reconstruction Module (TRM). Finally, the ESTformer cascades the SIM and the
TRM to capture and model spatiotemporal dependencies for EEG SR with fidelity.
Extensive experimental results on two EEG datasets show the effectiveness of
the ESTformer against previous state-of-the-art methods and verify the
superiority of the SR data to the LR data in EEG-based downstream tasks of
person identification and emotion recognition. The proposed ESTformer
demonstrates the versatility of the Transformer for EEG SR tasks.
- Abstract(参考訳): 脳波データ(EEG)の実用化に向けて、少数の電極を備えた軽量な取得装置は、分析手法が極めて低空間分解能の脳波データしか利用できない状況に陥る。
近年,脳波超解像(SR)のための数学的補間法や畳み込みニューラルネットワークの利用に主眼を置いているが,計算コストが高く,バイアスが増大し,時空間依存性モデリングの知見がほとんどない。
そこで本稿では,Transformerに基づく時空間依存性を利用したEEG SRフレームワークであるESTformerを提案する。
ESTformerは空間的構造情報と時間的機能変化を学習できる空間的・時間的次元に位置符号化法とマルチヘッド自己認識機構を適用する。
ESTformerは固定マスク方式で、数学的補間法から乱れた場合の低解像度(LR)脳波データをアップサンプリングするためにマスクトークンを採用している。
そこで我々は,空間補間モジュール (SIM) とテンポラル再構成モジュール (TRM) を構築するために,様々なトランスフォーマーブロックを設計する。
最後に、ESTformer は SIM と TRM をカスケードして、EEG SR の時空間依存を忠実に捉え、モデル化する。
2つのEEGデータセットの大規模な実験結果から,従来の最先端手法に対するESTformerの有効性が示され,個人識別と感情認識の下流タスクにおけるLRデータに対するSRデータの優位性が検証された。
提案したESTformerは、EEG SRタスクのためのTransformerの汎用性を実証する。
関連論文リスト
- Physics-informed and Unsupervised Riemannian Domain Adaptation for Machine Learning on Heterogeneous EEG Datasets [53.367212596352324]
脳波信号物理を利用した教師なし手法を提案する。
脳波チャンネルをフィールド、ソースフリーなドメイン適応を用いて固定位置にマッピングする。
提案手法は脳-コンピュータインタフェース(BCI)タスクおよび潜在的なバイオマーカー応用におけるロバストな性能を示す。
論文 参考訳(メタデータ) (2024-03-07T16:17:33Z) - 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) - Reduced Simulations for High-Energy Physics, a Middle Ground for
Data-Driven Physics Research [0.0]
サブ原子粒子軌道再構成は高エネルギー物理実験において重要な課題である。
我々は,複雑性低減型検出器モデルとしてREDVID(REDuced VIrtual Detector)と粒子衝突イベントシミュレータコンボを提供する。
論文 参考訳(メタデータ) (2023-08-30T12:50:45Z) - Convolutional Monge Mapping Normalization for learning on sleep data [63.22081662149488]
我々は、CMMN(Convolutional Monge Mapping Normalization)と呼ばれる新しい手法を提案する。
CMMNは、そのパワースペクトル密度(PSD)をトレーニングデータに基づいて推定されるワッサーシュタインバリセンタに適応させるために、信号をフィルタリングする。
睡眠脳波データに関する数値実験により、CMMNはニューラルネットワークアーキテクチャから独立して、顕著で一貫したパフォーマンス向上をもたらすことが示された。
論文 参考訳(メタデータ) (2023-05-30T08:24:01Z) - Transformer-based Planning for Symbolic Regression [18.90700817248397]
シンボリック・レグレッションのためのトランスフォーマーに基づく計画戦略であるTPSRを提案する。
従来の復号法とは異なり、TPSRは精度や複雑さなど、微分不可能なフィードバックの統合を可能にする。
我々の手法は最先端の手法より優れており、モデルの適合・複雑性トレードオフ、象徴的能力、騒音に対する堅牢性を高めている。
論文 参考訳(メタデータ) (2023-03-13T03:29:58Z) - GANSER: A Self-supervised Data Augmentation Framework for EEG-based
Emotion Recognition [15.812231441367022]
本稿では,GANSER(Generative Adversarial Network-based Self-supervised Data Augmentation)という新しいデータ拡張フレームワークを提案する。
脳波に基づく感情認識のための自己教師型学習と対人訓練を併用する最初の試みとして、提案フレームワークは高品質な模擬脳波サンプルを生成することができる。
変換関数は、脳波信号の一部を隠蔽し、生成元に残りの部分に基づいて潜在的な脳波信号を合成させる。
論文 参考訳(メタデータ) (2021-09-07T14:42:55Z) - Data-driven Small-signal Modeling for Converter-based Power Systems [7.501426386641255]
本稿では,コンバータを用いた電力系統の研究に有用な,データ駆動型小型信号ベースモデルを導出するための完全な手順を詳述する。
モデルを計算するために、単一DTとアンサンブルDTとスプライン回帰の両方を用いて決定木回帰(DT)を用いた。
モデルの適用可能性について論じ、さらなる電力系統小信号関連研究において、開発モデルの可能性を強調した。
論文 参考訳(メタデータ) (2021-08-30T08:10:45Z) - Adaptive Anomaly Detection for Internet of Things in Hierarchical Edge
Computing: A Contextual-Bandit Approach [81.5261621619557]
階層エッジコンピューティング(HEC)を用いた適応型異常検出手法を提案する。
まず,複雑性を増した複数のDNNモデルを構築し,それぞれを対応するHEC層に関連付ける。
そこで我々は、文脈帯域問題として定式化され、強化学習ポリシーネットワークを用いて解決される適応モデル選択スキームを設計する。
論文 参考訳(メタデータ) (2021-08-09T08:45:47Z) - Dynamic Mode Decomposition in Adaptive Mesh Refinement and Coarsening
Simulations [58.720142291102135]
動的モード分解(DMD)はコヒーレントなスキームを抽出する強力なデータ駆動方式である。
本稿では,異なるメッシュトポロジと次元の観測からDMDを抽出する戦略を提案する。
論文 参考訳(メタデータ) (2021-04-28T22:14:25Z) - Reinforcement Learning for Adaptive Mesh Refinement [63.7867809197671]
マルコフ決定過程としてのAMRの新規な定式化を提案し,シミュレーションから直接改良政策を訓練するために深部強化学習を適用した。
これらのポリシーアーキテクチャのモデルサイズはメッシュサイズに依存しないため、任意に大きく複雑なシミュレーションにスケールします。
論文 参考訳(メタデータ) (2021-03-01T22:55:48Z) - Statistical control for spatio-temporal MEG/EEG source imaging with
desparsified multi-task Lasso [102.84915019938413]
脳磁図(MEG)や脳電図(EEG)のような非侵襲的手法は、非侵襲的手法を約束する。
ソースローカライゼーション(ソースイメージング)の問題は、しかしながら、高次元の統計的推測問題を引き起こす。
この問題に対処するために,分離されたマルチタスクラッソ(ecd-MTLasso)のアンサンブルを提案する。
論文 参考訳(メタデータ) (2020-09-29T21:17:16Z)
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。