論文の概要: ESTformer: Transformer Utilizing Spatiotemporal Dependencies for Electroencaphalogram Super-resolution

• arxiv url: http://arxiv.org/abs/2312.10052v2
• Date: Thu, 13 Mar 2025 07:17:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-14 15:49:09.214540
• Title: ESTformer: Transformer Utilizing Spatiotemporal Dependencies for Electroencaphalogram Super-resolution
• Title（参考訳）: ESTformer:Electroencaphalogram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: 変換器をベースとした買収依存を利用したEEGフレームワークを開発した。 EEG SRタスクのためのTransformerは、EEG SRタスクのためのTransformerの汎用性を示す。 脳波に基づく人物識別と感情認識タスクにおいて,SRデータの優位性を検証した。
• 参考スコア（独自算出の注目度）: 13.037623259514323
• License:
• Abstract: Towards practical applications of Electroencephalography (EEG), lightweight acquisition devices garner significant attention. However, EEG channel selection methods are commonly data-sensitive and cannot establish a unified sound paradigm for EEG acquisition devices. Through reverse conceptualisation, we formulated EEG applications in an EEG super-resolution (SR) manner, but suffered from high computation costs, extra interpolation bias, and few insights into spatiotemporal dependency modelling. To this end, we propose ESTformer, an EEG SR framework that utilises spatiotemporal dependencies based on the transformer. ESTformer applies positional encoding methods and a multihead self-attention mechanism to the space and time dimensions, which can learn spatial structural correlations and temporal functional variations. ESTformer, with the fixed mask strategy, adopts a mask token to upsample low-resolution (LR) EEG data in the case of disturbance from mathematical interpolation methods. On this basis, we designed various transformer blocks to construct a spatial interpolation module (SIM) and a temporal reconstruction module (TRM). Finally, ESTformer cascades the SIM and TRM to capture and model the spatiotemporal dependencies for EEG SR with fidelity. Extensive experimental results on two EEG datasets show the effectiveness of ESTformer against previous state-of-the-art methods, demonstrating the versatility of the Transformer for EEG SR tasks. The superiority of the SR data was verified in an EEG-based person identification and emotion recognition task, achieving a 2% to 38% improvement compared with the LR data at different sampling scales.
• Abstract（参考訳）: 脳波(EEG)の実用化に向けて、軽量な取得装置が注目されている。 しかし、脳波チャネル選択法は一般的にデータに敏感であり、脳波取得装置の統一サウンドパラダイムを確立できない。 逆の概念化により、我々はEEGスーパーレゾリューション(SR)方式でEEGアプリケーションを定式化したが、高い計算コスト、補間バイアス、時空間依存性モデリングに関する洞察がほとんどなかった。 この目的のために,変換器に基づく時空間依存を利用したEEG SR フレームワーク ESTformer を提案する。 ESTformerは空間的構造的相関と時間的機能的変動を学習できる位置符号化法とマルチヘッド自己認識機構を空間と時間次元に適用する。 ESTformerは固定マスク戦略を用いて、数学的補間法から乱れる場合の低分解能(LR)脳波データを増幅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) と時間再構成モジュール (TRM) を構築するために,様々な変圧器ブロックを設計した。 最後に、ESTformer は SIM と TRM をカスケードして、EEG SR の時空間依存性を忠実に捉え、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は、従来の最先端手法に対するESTformerの有効性が示され、EEG SRタスクに対するTransformerの汎用性を示している。 脳波に基づく人物識別および感情認識タスクにおいて,SRデータの優位性を検証し,異なるサンプリング尺度でのLRデータと比較して2%から38%改善した。

関連論文リスト

• DSMoE: Matrix-Partitioned Experts with Dynamic Routing for Computation-Efficient Dense LLMs [70.91804882618243]
  本稿では,事前学習したFFN層を計算ブロックに分割することで,分散化を実現するDSMoEを提案する。 我々は,Sigmoid アクティベーションとストレートスルー推定器を用いた適応型エキスパートルーティングを実装し,トークンがモデル知識の様々な側面に柔軟にアクセスできるようにする。 LLaMAモデルを用いた実験により、DSMoEは既存のプルーニング法やMoE法に比べて優れた性能を発揮することが示された。
  論文  参考訳（メタデータ） (2025-02-18T02:37:26Z)
• Estimation of System Parameters Including Repeated Cross-Sectional Data through Emulator-Informed Deep Generative Model [5.3060535072023844]
  政治、経済学、生物学において、利用可能なデータは、しばしば異なる主題から異なる時点に独立して収集される。 従来の最適化手法は、RCSデータが様々な不均一性を示すとき、DECパラメータを正確に推定するのに苦労する。 エミュレータインフォームド・ディープジェネレーション・モデル(EIDGM)と呼ばれる新しい推定法を提案する。 EIDGMは物理インフォームドニューラルネットワークベースのエミュレータを統合しており、DECソリューションとワッサーシュタイン生成逆ネットワークベースのパラメータジェネレータを即座に生成する。
  論文  参考訳（メタデータ） (2024-12-27T08:19:23Z)
• ART: Artifact Removal Transformer for Reconstructing Noise-Free Multichannel Electroencephalographic Signals [0.10499611180329801]
  脳波(EEG)のアーチファクト除去は神経科学的な分析と脳-コンピュータインターフェース(BCI)のパフォーマンスに大きな影響を及ぼす。 本研究は,脳波信号の過渡ミリ秒スケール特性を順応的に捉えるため,トランスフォーマーアーキテクチャを用いた脳波復調モデルを提案する。 脳波信号処理においてARTが他の深層学習に基づくアーティファクト除去手法を上回ることが確認された。
  論文  参考訳（メタデータ） (2024-09-11T15:05:40Z)
• EEG-SSM: Leveraging State-Space Model for Dementia Detection [21.67998806043568]
  ステートスペースモデル(SSM)は、長いデータシーケンスを効果的に処理するために注目を集めている。 本研究では,脳波データを用いた認知症分類のための状態空間モデルに基づく新しいアプローチであるEEG-SSMを紹介する。
  論文  参考訳（メタデータ） (2024-07-25T06:20:03Z)
• Geodesic Optimization for Predictive Shift Adaptation on EEG data [53.58711912565724]
  ドメイン適応メソッドは、$X$と$y$で分散シフトが同時に発生したときに苦労する。 本稿では,GOPSA(Geodesic Optimization for Predictive Shift Adaptation)と呼ばれる新しい手法を提案する。 GOPSAは、脳波のバイオメディカル応用のための混合効果モデリングと機械学習を併用する可能性を持っている。
  論文  参考訳（メタデータ） (2024-07-04T12:15:42Z)
• Generative AI Enables EEG Super-Resolution via Spatio-Temporal Adaptive Diffusion Learning [14.96787832363301]
  HDデバイスは頭皮により多くの電極を配置することで脳波の空間分解能を向上させる。 この技術は、高い取得コストや限られた利用シナリオといった課題に直面している。 本稿では,適応拡散モデル(STAD)を提案する。
  論文  参考訳（メタデータ） (2024-07-03T13:26:31Z)
• 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)
• 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)
• 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)

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。