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

• arxiv url: http://arxiv.org/abs/2408.14477v2
• Date: Tue, 15 Apr 2025 21:03:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-17 18:06:14.734633
• 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: 頭蓋内脳波(iEEG)は、臨床および脳-コンピュータインターフェースの応用にますます使われている。 本稿では, 電極内注入変動に頑健な新しいデコーダモデルを提案する。 我々はこのモデルをRISE-iEEGと呼び、このモデルはRobust to Inter-Subject Electrode implantation Variability iEEG の略である。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Intracranial electroencephalography (iEEG) is increasingly used for clinical and brain-computer interface applications due to its high spatial and temporal resolution. However, inter-subject variability in electrode implantation poses a challenge for developing generalized neural decoders. To address this, 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 to Inter-Subject Electrode Implantation Variability iEEG Classifier. RISE-iEEG employs a deep neural network structure preceded by a participant-specific projection network. The projection network maps the neural data of individual participants 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 participants' data without requiring the coordinates of electrode for each participant. The performance of RISE-iEEG across multiple datasets, including the Music Reconstruction dataset, and AJILE12 dataset, surpasses that of advanced iEEG decoder models such as HTNet and EEGNet. Our analysis shows that the performance of RISE-iEEG is about 7\% higher than that of HTNet and EEGNet in terms of F1 score, with an average F1 score of 0.83, which is the highest result among the evaluation methods defined. Furthermore, Our analysis of the projection network weights reveals that the Superior Temporal and Postcentral lobes are key encoding nodes for the Music Reconstruction and AJILE12 datasets, which aligns with the primary physiological principles governing these regions. This model improves decoding accuracy while maintaining interpretability and generalization.
• Abstract（参考訳）: 頭蓋内脳波(iEEG)は、高空間分解能と時間分解能のため、臨床および脳-コンピュータインターフェースの応用にますます利用されている。 しかし、電極注入における物体間変動は、一般化されたニューラルデコーダを開発する上での課題である。 そこで本研究では, 電極間注入変動に頑健なデコーダモデルを提案する。 我々はこのモデルをRISE-iEEGと呼び、このモデルはRobust to Inter-Subject Electrode implantation Variability iEEG Classifierの略である。 RISE-iEEGは、参加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。 投影ネットワークは、個々の参加者の神経データを共通の低次元空間にマッピングし、埋め込み変動を補償する。 言い換えれば、各参加者に電極の座標を必要とせず、複数の参加者のデータにまたがるiEEGデコーダモデルを開発した。 Music ReconstructionデータセットやAJILE12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といった先進的なiEEGデコーダモデルを上回る。 解析の結果, RISE-iEEG は HTNet と EEGNet より約7倍高い値を示し, 平均 F1 スコアは 0.83 であり, 評価手法の最高値である。 さらにプロジェクションネットワークの重みを解析した結果,これらの領域を規定する主要な生理的原則に則った音楽再構成とAJILE12データセットの符号化ノードとして,上側側頭葉と後側頭葉が重要であることが明らかとなった。 このモデルは解釈可能性と一般化を維持しながら復号精度を向上させる。

関連論文リスト

• Spatio-Temporal Progressive Attention Model for EEG Classification in Rapid Serial Visual Presentation Task [38.949309627200904]
  本稿では,脳波の分類を改善するための新しいプログレッシブ・アテンション・モデル(STPAM)を提案する。 その結果,我々のAMは比較したすべての手法よりも優れた性能が得られることがわかった。
  論文  参考訳（メタデータ） (2025-02-02T09:28:38Z)
• 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)
• 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)
• Neural networks for classification of strokes in electrical impedance tomography on a 3D head model [0.0]
  我々は、出血性脳卒中と虚血性脳梗塞の分類のために、2つのニューラルネットワークアーキテクチャー、完全に接続されたアーキテクチャと畳み込みアーキテクチャーを使用します。 それらのネットワークは、合成電極測定の4万ドルのサンプルを持つデータセットで訓練されている。 次に、より複雑なストロークモデルを用いて、見えないEITデータのいくつかのデータセット上でネットワークをテストする。
  論文  参考訳（メタデータ） (2020-11-05T14:22:05Z)
• 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。