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 21:36:22.214141
• 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: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• 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

• CEReBrO: Compact Encoder for Representations of Brain Oscillations Using Efficient Alternating Attention [53.539020807256904]
  交互注意(CEReBrO)を用いた脳振動の表現のための圧縮法について紹介する。 トークン化方式は、チャネルごとのパッチで脳波信号を表現します。 本研究では,チャネル内時間的ダイナミックスとチャネル間空間的相関を共同でモデル化し,通常の自己アテンションに比べて6倍少ないメモリで2倍の速度向上を実現するための注意機構を提案する。
  論文  参考訳（メタデータ） (2025-01-18T21:44:38Z)
• 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)
• Dual-TSST: A Dual-Branch Temporal-Spectral-Spatial Transformer Model for EEG Decoding [2.0721229324537833]
  デュアルブランチ時間スペクトル空間変換器(Dual-TSST)を用いた新しいデコードアーキテクチャネットワークを提案する。 提案するDual-TSSTは様々なタスクにおいて優れており,平均精度80.67%の脳波分類性能が期待できる。 本研究は,高性能脳波デコーディングへの新たなアプローチを提供するとともに,将来のCNN-Transformerベースのアプリケーションにも大きな可能性を秘めている。
  論文  参考訳（メタデータ） (2024-09-05T05:08:43Z)
• DuA: Dual Attentive Transformer in Long-Term Continuous EEG Emotion Analysis [15.858955204180907]
  本稿では,長期連続脳波感情分析のためのDuA変換フレームワークを提案する。 セグメントベースのアプローチとは異なり、DuAトランスフォーマーはEEGトライアル全体を全体として処理し、トライアルレベルで感情を識別する。 このフレームワークは様々な信号長に適応するように設計されており、従来の手法よりもかなり有利である。
  論文  参考訳（メタデータ） (2024-07-30T03:31:03Z)
• 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)
• EEGMamba: Bidirectional State Space Model with Mixture of Experts for EEG Multi-task Classification [1.4004287903552533]
  脳波アプリケーションのためのマルチタスク学習を真に実装した最初のユニバーサル脳波分類ネットワークであるEEGMambaを紹介する。 EEGMambaは、Spatio-Temporal-Adaptive (ST-Adaptive)モジュール、双方向のMamba、Mixture of Experts (MoE)をシームレスに統合したフレームワークに統合する。 本研究では,8つの公用EEGデータセットを用いてモデルの評価を行い,その性能を4種類のタスクで実証した。
  論文  参考訳（メタデータ） (2024-07-20T11:15:47Z)
• 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)
• CSLP-AE: A Contrastive Split-Latent Permutation Autoencoder Framework for Zero-Shot Electroencephalography Signal Conversion [49.1574468325115]
  脳波分析の鍵となる目的は、基礎となる神経活動(コンテンツ)を抽出し、個体の変動(スタイル)を考慮することである。 近年の音声変換技術の発展に触発されて,脳波変換を直接最適化するCSLP-AEフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-11-13T22:46:43Z)
• 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)
• 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)

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。