論文の概要: RISE-iEEG: Robust to Inter-Subject Electrodes Implantation Variability iEEG Classifier

• arxiv url: http://arxiv.org/abs/2408.14477v1
• Date: Mon, 12 Aug 2024 18:33:19 GMT
• ステータス: 処理完了
• システム内更新日: 2024-09-01 16:52:18.442818
• Title: RISE-iEEG: Robust to Inter-Subject Electrodes Implantation Variability iEEG Classifier
• Title（参考訳）: RISE-iEEG: オブジェクト間電極へのロバストな挿入可変iEEG分類器
• Authors: Maryam Ostadsharif Memar, Navid Ziaei, Behzad Nazari, Ali Yousefi,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Utilization of intracranial electroencephalography (iEEG) is rapidly increasing for clinical and brain-computer interface applications. iEEG facilitates the recording of neural activity with high spatial and temporal resolution, making it a desirable neuroimaging modality for studying neural dynamics. Despite its benefits, iEEG faces challenges such as inter-subject variability in electrode implantation, which makes the development of unified neural decoder models across different patients difficult. In this research, we introduce a novel decoder model that is robust to inter-subject electrode implantation variability. We call this model RISE-iEEG, which stands for Robust Inter-Subject Electrode Implantation Variability iEEG Classifier. RISE-iEEG employs a deep neural network structure preceded by a patient-specific projection network. The projection network maps the neural data of individual patients onto a common low-dimensional space, compensating for the implantation variability. In other words, we developed an iEEG decoder model that can be applied across multiple patients' data without requiring the coordinates of electrode for each patient. The performance of RISE-iEEG across multiple datasets, including the Audio-Visual dataset, Music Reconstruction dataset, and Upper-Limb Movement dataset, surpasses that of state-of-the-art iEEG decoder models such as HTNet and EEGNet. Our analysis shows that the performance of RISE-iEEG is 10\% higher than that of HTNet and EEGNet in terms of F1 score, with an average F1 score of 83\%, which is the highest result among the evaluation methods defined. Furthermore, the analysis of projection network weights in the Music Reconstruction dataset across patients suggests that the Superior Temporal lobe serves as the primary encoding neural node. This finding aligns with the auditory processing physiology.
• Abstract（参考訳）: 脳内脳波(iEEG)の利用は、臨床および脳-コンピュータインターフェースへの応用において急速に増加している。 iEEGは、高空間分解能と時間分解能で神経活動を記録しやすくし、神経力学の研究に好適な神経画像モダリティとなる。 iEEGは、その利点にもかかわらず、電極注入におけるオブジェクト間のばらつきのような課題に直面しており、異なる患者にまたがる統合神経デコーダモデルの開発を困難にしている。 本研究では,物体間電極注入変動に頑健な新しいデコーダモデルを提案する。 我々は、このモデル RISE-iEEG を、ロバスト電極間挿入可変iEEG分類器(Robust Inter-Subject Electrode implantation Variability iEEG Classifier)と呼んでいる。 RISE-iEEGは、患者固有の投影ネットワークに先行するディープニューラルネットワーク構造を採用している。 プロジェクションネットワークは、個々の患者の神経データを共通の低次元空間にマッピングし、移植変動を補償する。 言い換えれば、各患者の電極座標を必要とせずに複数の患者のデータに適用できるiEEGデコーダモデルを開発した。 オーディオ・ビジュアルデータセット、音楽再構成データセット、アッパー・リム・ムーブメントデータセットなど、複数のデータセットにわたるRISE-iEEGのパフォーマンスは、HTNetやEEGNetのような最先端のiEEGデコーダモデルを上回る。 解析の結果, RISE-iEEG は HTNet と EEGNet の F1 スコアよりも 10 % 高い値を示し, 平均 F1 スコアは 83 % であり, 評価手法の最高値である。 さらに、患者間での音楽再構成データセットにおける投影網重みの解析により、上側頭葉が一次符号化神経ノードとして機能することが示唆された。 この発見は聴覚処理生理学と一致している。

関連論文リスト

• Graph Adapter of EEG Foundation Models for Parameter Efficient Fine Tuning [1.8946099300030472]
  EEG-GraphAdapter (EGA) はパラメータ効率の高い微細チューニング(PEFT)アプローチである。 EGAは、GNNベースのモジュールとして、事前訓練された時間バックボーンモデルに統合される。 バックボーンのBENDRモデルと比較すると、F1スコアでは最大16.1%の性能向上を実現している。
  論文  参考訳（メタデータ） (2024-11-25T07:30:52Z)
• Limited but consistent gains in adversarial robustness by co-training object recognition models with human EEG [40.006249083417266]
  分類と脳波予測の2つのタスクでResNet50-backboneモデルを訓練した。 ネットワークの脳波予測精度には有意な相関がみられた。 それぞれの脳波チャンネルからのデータを分解し,頭頂後頭頂部の電極からの最も強い寄与を観察した。
  論文  参考訳（メタデータ） (2024-09-05T16:04:57Z)
• 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)
• EEGDiR: Electroencephalogram denoising network for temporal information storage and global modeling through Retentive Network [11.491355463353731]
  我々はRetnetを自然言語処理から脳波分解まで導入する。 Retnetの脳波への直接的適用は脳波信号の1次元の性質のため不可能である。 本稿では,1次元の脳波信号を2次元に変換してネットワーク入力として用いる信号埋め込み手法を提案する。
  論文  参考訳（メタデータ） (2024-03-20T15:04:21Z)
• 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)
• 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)
• 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)
• Brain Imaging-to-Graph Generation using Adversarial Hierarchical Diffusion Models for MCI Causality Analysis [44.45598796591008]
  機能的磁気共鳴画像(fMRI)を軽度認知障害解析のための効果的な接続性にマッピングするために,脳画像から画像へのBIGG(Brain Imaging-to-graph generation)フレームワークを提案する。 発電機の階層変換器は、複数のスケールでノイズを推定するように設計されている。 ADNIデータセットの評価は,提案モデルの有効性と有効性を示す。
  論文  参考訳（メタデータ） (2023-05-18T06:54:56Z)
• fMRI from EEG is only Deep Learning away: the use of interpretable DL to unravel EEG-fMRI relationships [68.8204255655161]
  多チャンネル脳波データからいくつかの皮質下領域の活性を回復するための解釈可能な領域基底解を提案する。 我々は,皮質下核の血行動態信号の頭皮脳波予測の空間的・時間的パターンを復元する。
  論文  参考訳（メタデータ） (2022-10-23T15:11:37Z)
• Attention-based Graph ResNet for Motor Intent Detection from Raw EEG signals [8.775745069873558]
  前回の研究では、脳波(EEG)信号は脳波電極のトポロジカルな関係を考慮していない。 グラフ畳み込みニューラルネットワーク(GCN: Graph Convolutional Neural Network)の新たな構造である、注意に基づくグラフ残差ネットワークが、人間の運動意図を検出するために提示された。 生の脳波運動画像における深部ネットワークに関する劣化問題に対処するために, フルアテンションアーキテクチャによる深部学習を導入した。
  論文  参考訳（メタデータ） (2020-06-25T09:29:48Z)

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。