Fugu-MT 論文翻訳(概要): Brant-X: A Unified Physiological Signal Alignment Framework

論文の概要: Brant-X: A Unified Physiological Signal Alignment Framework

arxiv url: http://arxiv.org/abs/2409.00122v1
Date: Wed, 28 Aug 2024 13:26:42 GMT
ステータス: 処理完了
システム内更新日: 2024-09-08 14:53:30.151306
Title: Brant-X: A Unified Physiological Signal Alignment Framework
Title（参考訳）: Brant-X: 統一された生理信号アライメントフレームワーク
Authors: Daoze Zhang, Zhizhang Yuan, Junru Chen, Kerui Chen, Yang Yang,
Abstract要約: 特に、脳が生命活動の制御中心としての役割を考えると、脳波(EEG)は他の生理的信号と有意な相関を示す。脳波と他の信号との相関をモデル化するための統合された生理学的信号アライメントフレームワークであるBrant-Xを提案する。本手法は脳波基礎モデルを用いて脳波の豊富な知識を他の生理的信号にデータ効率よく伝達し,(2)脳波と他の信号のセマンティクスを完全に整合させる2段階のアライメントを導入する。
参考スコア（独自算出の注目度）: 5.4568483942428925
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Physiological signals serve as indispensable clues for understanding various physiological states of human bodies. Most existing works have focused on a single type of physiological signals for a range of application scenarios. However, as the body is a holistic biological system, the inherent interconnection among various physiological data should not be neglected. In particular, given the brain's role as the control center for vital activities, electroencephalogram (EEG) exhibits significant correlations with other physiological signals. Therefore, the correlation between EEG and other physiological signals holds potential to improve performance in various scenarios. Nevertheless, achieving this goal is still constrained by several challenges: the scarcity of simultaneously collected physiological data, the differences in correlations between various signals, and the correlation differences between various tasks. To address these issues, we propose a unified physiological signal alignment framework, Brant-X, to model the correlation between EEG and other signals. Our approach (1) employs the EEG foundation model to data-efficiently transfer the rich knowledge in EEG to other physiological signals, and (2) introduces the two-level alignment to fully align the semantics of EEG and other signals from different semantic scales. In the experiments, Brant-X achieves state-of-the-art performance compared with task-agnostic and task-specific baselines on various downstream tasks in diverse scenarios, including sleep stage classification, emotion recognition, freezing of gaits detection, and eye movement communication. Moreover, the analysis on the arrhythmia detection task and the visualization in case study further illustrate the effectiveness of Brant-X in the knowledge transfer from EEG to other physiological signals. The model's homepage is at https://github.com/zjunet/Brant-X/.
Abstract（参考訳）: 生理的信号は、人間の身体の様々な生理的状態を理解するのに必要な手がかりとなる。現存するほとんどの研究は、様々な応用シナリオのための単一のタイプの生理的信号に焦点を当てている。しかし、体は総合的な生物学的体系であるため、様々な生理的データ間の相互接続は無視すべきではない。特に、脳が生命活動の制御中心としての役割を考えると、脳波(EEG)は他の生理的信号と有意な相関を示す。したがって、脳波と他の生理学的信号の相関は、様々なシナリオにおける性能向上の可能性を秘めている。それでも、この目標を達成するには、同時に収集された生理データの不足、様々な信号間の相関の差、様々なタスク間の相関の差など、いくつかの課題がある。これらの課題に対処するため,脳波と他の信号との相関をモデル化するための統合された生理信号アライメントフレームワークであるBrant-Xを提案する。本手法では,脳波基礎モデルを用いて脳波の豊富な知識を他の生理的信号にデータ効率よく伝達し,脳波と他の信号のセマンティクスを完全に整合させる2段階アライメントを導入する。実験では、Brant-Xは、睡眠ステージ分類、感情認識、歩行検出の凍結、眼球運動コミュニケーションなどの様々なシナリオにおいて、様々な下流タスクにおけるタスク非依存およびタスク固有のベースラインと比較して、最先端のパフォーマンスを達成する。さらに,脳波から他の生理信号への知識伝達におけるBrant-Xの有効性について,不整脈検出タスクの解析と可視化を行った。モデルのホームページはhttps://github.com/zjunet/Brant-X/にある。

関連論文リスト

PHemoNet: A Multimodal Network for Physiological Signals [9.54382727022316]
生理的信号からのマルチモーダル感情認識のための完全超複雑ネットワークであるPHemoNetを紹介する。アーキテクチャは、モダリティ特異的エンコーダと融合モジュールとから構成される。提案手法は,MAHNOB-HCIデータセットの最先端モデルより優れている。
論文参考訳（メタデータ） (2024-09-13T21:14:27Z)
Interpretable Spatio-Temporal Embedding for Brain Structural-Effective Network with Ordinary Differential Equation [56.34634121544929]
本研究では,まず動的因果モデルを用いて脳効果ネットワークを構築する。次に、STE-ODE(Spatio-Temporal Embedding ODE)と呼ばれる解釈可能なグラフ学習フレームワークを導入する。このフレームワークは、構造的および効果的なネットワーク間の動的相互作用を捉えることを目的とした、特異的に設計されたノード埋め込み層を含んでいる。
論文参考訳（メタデータ） (2024-05-21T20:37:07Z)
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)
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)
2021 BEETL Competition: Advancing Transfer Learning for Subject Independence & Heterogenous EEG Data Sets [89.84774119537087]
我々は、診断とBCI(Brain-Computer-Interface)に関する2つの伝達学習課題を設計する。第1タスクは、患者全体にわたる自動睡眠ステージアノテーションに対処する医療診断に重点を置いている。タスク2はBrain-Computer Interface (BCI)に集中しており、被験者とデータセットの両方にわたる運動画像のデコードに対処する。
論文参考訳（メタデータ） (2022-02-14T12:12:20Z)
Progressive Graph Convolution Network for EEG Emotion Recognition [35.08010382523394]
神経科学領域の研究により、感情パターンと脳機能領域の関係が明らかになった。脳波による感情認識では、きめ細かい感情の間には、きめ細かい感情の間により明確な境界が存在することが観察できる。脳波の感情信号に特有の特徴を捉えるためのプログレッシブグラフ畳み込みネットワーク(PGCN)を提案する。
論文参考訳（メタデータ） (2021-12-14T03:30:13Z)
A Compact and Interpretable Convolutional Neural Network for Cross-Subject Driver Drowsiness Detection from Single-Channel EEG [4.963467827017178]
本稿では,ドライバの眠気検出のために,複数の被験者間で共有された脳波特徴を検出するための,コンパクトで解釈可能な畳み込みニューラルネットワークを提案する。その結果,脳波信号の分類では,被験者11名に対して平均73.22%の精度が得られることがわかった。
論文参考訳（メタデータ） (2021-05-30T14:36:34Z)
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)
Video-based Remote Physiological Measurement via Cross-verified Feature Disentangling [121.50704279659253]
非生理的表現と生理的特徴を混同するための横断的特徴分離戦略を提案する。次に, 蒸留された生理特性を用いて, 頑健なマルチタスク生理測定を行った。歪んだ特徴は、最終的に平均HR値やr信号のような複数の生理的信号の合同予測に使用される。
論文参考訳（メタデータ） (2020-07-16T09:39:17Z)
Ensemble emotion recognizing with multiple modal physiological signals [9.406420908566517]
異なる感情に対する複数のモーダル生理的信号を用いた感情分類モデルを提案する。 DEAPデータセットのベンチマークで実験を行う。 4段階のタスクでは、平均的な分類精度は90.74であり、安定性がよい。
論文参考訳（メタデータ） (2020-01-01T11:44:43Z)

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。