論文の概要: Self-supervised Learning for Electroencephalogram: A Systematic Survey
- arxiv url: http://arxiv.org/abs/2401.05446v1
- Date: Tue, 9 Jan 2024 08:59:30 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-13 02:32:22.184841
- Title: Self-supervised Learning for Electroencephalogram: A Systematic Survey
- Title(参考訳): 脳波の自己教師付き学習 : 体系的調査
- Authors: Weining Weng, Yang Gu, Shuai Guo, Yuan Ma, Zhaohua Yang, Yuchen Liu,
and Yiqiang Chen
- Abstract要約: 自己教師付き学習(SSL)は、よく設計されたプレテキストタスクを通じてラベル付けされていないサンプルから表現を抽出するために提案されている。
本稿では,自己教師型学習と一般的なSSLフレームワークの概念と理論を紹介する。
我々は、分類学、方法論、技術詳細を含む、EEG分析のためのSSLの包括的なレビューを提供する。
- 参考スコア(独自算出の注目度): 17.450609924891978
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Electroencephalogram (EEG) is a non-invasive technique to record
bioelectrical signals. Integrating supervised deep learning techniques with EEG
signals has recently facilitated automatic analysis across diverse EEG-based
tasks. However, the label issues of EEG signals have constrained the
development of EEG-based deep models. Obtaining EEG annotations is difficult
that requires domain experts to guide collection and labeling, and the
variability of EEG signals among different subjects causes significant label
shifts. To solve the above challenges, self-supervised learning (SSL) has been
proposed to extract representations from unlabeled samples through
well-designed pretext tasks. This paper concentrates on integrating SSL
frameworks with temporal EEG signals to achieve efficient representation and
proposes a systematic review of the SSL for EEG signals. In this paper, 1) we
introduce the concept and theory of self-supervised learning and typical SSL
frameworks. 2) We provide a comprehensive review of SSL for EEG analysis,
including taxonomy, methodology, and technique details of the existing
EEG-based SSL frameworks, and discuss the difference between these methods. 3)
We investigate the adaptation of the SSL approach to various downstream tasks,
including the task description and related benchmark datasets. 4) Finally, we
discuss the potential directions for future SSL-EEG research.
- Abstract(参考訳): 脳波(Electroencephalogram、EEG)は生体電気信号を記録する非侵襲的手法である。
教師付きディープラーニング技術と脳波信号を統合することで,脳波に基づく様々なタスクの自動解析が容易になった。
しかし、脳波信号のラベル問題は脳波に基づく深層モデルの開発を阻害している。
脳波アノテーションの取得は、ドメインの専門家が収集とラベル付けをガイドする必要があるため困難であり、異なる主題間での脳波信号のばらつきは、大きなラベルシフトを引き起こす。
上記の課題を解決するために,ラベルなしサンプルからよく設計された前文タスクから表現を抽出するために,自己教師付き学習(ssl)が提案されている。
本稿では、効率的な表現を実現するために、SSLフレームワークと時間的脳波信号の統合に集中し、脳波信号に対するSSLの体系的レビューを提案する。
この論文では
1) 自己教師型学習と一般的なSSLフレームワークの概念と理論を紹介する。
2) 既存のEEGベースのSSLフレームワークの分類,方法論,技術詳細を含む,脳波分析のためのSSLの包括的なレビューを行い,これらの方法の違いについて議論する。
3)タスク記述や関連するベンチマークデータセットなど,さまざまな下流タスクへのSSLアプローチの適用について検討する。
4)最後に,今後のSSL-EEG研究の方向性について論じる。
関連論文リスト
- Shared Attention-based Autoencoder with Hierarchical Fusion-based Graph Convolution Network for sEEG SOZ Identification [10.413397851804152]
発作発症ゾーン(SOZ)の診断は神経外科の課題であり、脳電図(sEEG)が重要な技術である。
sEEG SOZの同定において、既存の研究はてんかん情報の患者内表現にのみ焦点をあてている。
本稿では、上記の課題に対処するために、共有注意ベースオートエンコーダ(sATAE)を提案する。
論文 参考訳(メタデータ) (2024-12-17T08:20:02Z) - STEAM-EEG: Spatiotemporal EEG Analysis with Markov Transfer Fields and Attentive CNNs [4.673285689826945]
本稿では,コンピュータグラフィックス技術と生体信号認識パターンを統合した新しいアプローチを提案する。
提案するフレームワーク(TEAM-EEG)は,MTFを用いて脳波信号のダイナミクスを捉える。
これらの画像は、最先端のコンピュータグラフィックス技術を使ってレンダリングされ、視覚化され、モデル化される。
論文 参考訳(メタデータ) (2024-12-07T05:07:20Z) - Subject-Adaptive Transfer Learning Using Resting State EEG Signals for Cross-Subject EEG Motor Imagery Classification [10.487161620381785]
本稿では、RS EEG信号を用いて、未知の対象データにモデルを適用する新しい主題適応型トランスファー学習戦略を提案する。
提案手法は,3つの公開ベンチマーク上での最先端の精度を実現し,クロスオブジェクトEEG MI分類における本手法の有効性を実証する。
論文 参考訳(メタデータ) (2024-05-17T20:36:04Z) - 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) - A Knowledge-Driven Cross-view Contrastive Learning for EEG
Representation [48.85731427874065]
本稿では,限られたラベルを持つ脳波から効果的な表現を抽出する知識駆動型クロスビューコントラスト学習フレームワーク(KDC2)を提案する。
KDC2法は脳波信号の頭皮と神経のビューを生成し、脳活動の内部および外部の表現をシミュレートする。
ニューラル情報整合性理論に基づく事前のニューラル知識をモデル化することにより、提案手法は不変かつ相補的なニューラル知識を抽出し、複合表現を生成する。
論文 参考訳(メタデータ) (2023-09-21T08:53:51Z) - 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) - Subject Independent Emotion Recognition using EEG Signals Employing
Attention Driven Neural Networks [2.76240219662896]
主観非依存の感情認識が可能な新しいディープラーニングフレームワークを提案する。
タスクを実行するために、アテンションフレームワークを備えた畳み込みニューラルネットワーク(CNN)を提示する。
提案手法は、公開データセットを使用して検証されている。
論文 参考訳(メタデータ) (2021-06-07T09:41:15Z) - Discriminative Singular Spectrum Classifier with Applications on
Bioacoustic Signal Recognition [67.4171845020675]
分析や分類に有用な特徴を効率的に抽出する識別機構を備えた生体音響信号分類器を提案する。
タスク指向の現在のバイオ音響認識法とは異なり、提案モデルは入力信号をベクトル部分空間に変換することに依存する。
提案法の有効性は,アヌラン,ミツバチ,蚊の3種の生物音響データを用いて検証した。
論文 参考訳(メタデータ) (2021-03-18T11:01:21Z) - 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)
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。