論文の概要: ART: Artifact Removal Transformer for Reconstructing Noise-Free Multichannel Electroencephalographic Signals
- arxiv url: http://arxiv.org/abs/2409.07326v1
- Date: Wed, 11 Sep 2024 15:05:40 GMT
- ステータス: 処理完了
- システム内更新日: 2024-09-12 14:13:20.287041
- Title: ART: Artifact Removal Transformer for Reconstructing Noise-Free Multichannel Electroencephalographic Signals
- Title（参考訳）: ART: ノイズのない多チャンネル脳波信号の再構成のための人工物除去変換器
- Authors: Chun-Hsiang Chuang, Kong-Yi Chang, Chih-Sheng Huang, Anne-Mei Bessas,
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 0.10499611180329801
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Artifact removal in electroencephalography (EEG) is a longstanding challenge that significantly impacts neuroscientific analysis and brain-computer interface (BCI) performance. Tackling this problem demands advanced algorithms, extensive noisy-clean training data, and thorough evaluation strategies. This study presents the Artifact Removal Transformer (ART), an innovative EEG denoising model employing transformer architecture to adeptly capture the transient millisecond-scale dynamics characteristic of EEG signals. Our approach offers a holistic, end-to-end denoising solution for diverse artifact types in multichannel EEG data. We enhanced the generation of noisy-clean EEG data pairs using an independent component analysis, thus fortifying the training scenarios critical for effective supervised learning. We performed comprehensive validations using a wide range of open datasets from various BCI applications, employing metrics like mean squared error and signal-to-noise ratio, as well as sophisticated techniques such as source localization and EEG component classification. Our evaluations confirm that ART surpasses other deep-learning-based artifact removal methods, setting a new benchmark in EEG signal processing. This advancement not only boosts the accuracy and reliability of artifact removal but also promises to catalyze further innovations in the field, facilitating the study of brain dynamics in naturalistic environments.
- Abstract（参考訳）: 脳波検査(EEG)における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与える長年にわたる課題である。
この問題に対処するには、高度なアルゴリズム、広範なノイズクリーンなトレーニングデータ、徹底的な評価戦略が必要である。
本研究では,脳波信号の過渡ミリ秒スケールのダイナミックス特性を適応的に捉えるために,トランスフォーマアーキテクチャを用いた革新的な脳波復調モデルであるArtifact removal Transformer (ART)を提案する。
このアプローチは、多チャンネル脳波データにおける多様なアーティファクトタイプに対して、総合的でエンドツーエンドのデノゲーションソリューションを提供する。
独立成分分析を用いてノイズクリーンな脳波データペアの生成を強化し,効果的な教師付き学習に不可欠なトレーニングシナリオを固めた。
各種BCIアプリケーションからの幅広いオープンデータセットを用いて包括的検証を行い,平均二乗誤差や信号対雑音比などの指標,ソースローカライゼーションやEEGコンポーネント分類といった高度な手法を用いて検証を行った。
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。
この進歩は、アーティファクト除去の正確さと信頼性を高めるだけでなく、この分野のさらなる革新を触媒し、自然環境における脳のダイナミクスの研究を促進することを約束している。
関連論文リスト
- Encoder with the Empirical Mode Decomposition (EMD) to remove muscle artefacts from EEG signal [0.0]
本稿では,経験的モード分解(EMD)法と機械学習アーキテクチャを組み合わせることで,脳波信号からアーティファクトを効果的に除去する手法を提案する。
論文 参考訳（メタデータ） (2024-09-22T19:22:22Z) - 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) - 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) - EKGNet: A 10.96{\mu}W Fully Analog Neural Network for Intra-Patient
Arrhythmia Classification [79.7946379395238]
心電図不整脈分類におけるアナログ計算と深層学習を組み合わせた統合的アプローチを提案する。
本稿では,低消費電力で高精度にアーカイブするハードウェア効率と完全アナログ不整脈分類アーキテクチャであるEKGNetを提案する。
論文 参考訳（メタデータ） (2023-10-24T02:37:49Z) - 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) - 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) - Exploiting Multiple EEG Data Domains with Adversarial Learning [20.878816519635304]
この文脈でデータソース不変表現を学習するための逆推論手法を提案する。
異なる音源領域からの脳波記録(感情認識SEED, SEED-IV, DEAP, DREAMER)を統一する。
論文 参考訳（メタデータ） (2022-04-16T11:09:20Z) - Multi-Channel Convolutional Analysis Operator Learning for Dual-Energy
CT Reconstruction [108.06731611196291]
我々は,多チャンネル畳み込み解析演算子学習法(MCAOL)を開発した。
本研究では,低エネルギー,高エネルギーで減衰画像を共同で再構成する最適化手法を提案する。
論文 参考訳（メタデータ） (2022-03-10T14:22:54Z) - IC-U-Net: A U-Net-based Denoising Autoencoder Using Mixtures of
Independent Components for Automatic EEG Artifact Removal [2.454595178503407]
ニューラルネットワークの誤解釈を防止するために,実用的で信頼性の高い人工物除去手法を開発することが不可欠である。
本研究では, 広汎な脳波アーチファクトを除去するためのU-Netアーキテクチャに基づく, IC-U-Netという新しいアーティファクト除去手法を開発した。
論文 参考訳（メタデータ） (2021-11-19T03:45:53Z) - GANSER: A Self-supervised Data Augmentation Framework for EEG-based
Emotion Recognition [15.812231441367022]
本稿では,GANSER(Generative Adversarial Network-based Self-supervised Data Augmentation)という新しいデータ拡張フレームワークを提案する。
脳波に基づく感情認識のための自己教師型学習と対人訓練を併用する最初の試みとして、提案フレームワークは高品質な模擬脳波サンプルを生成することができる。
変換関数は、脳波信号の一部を隠蔽し、生成元に残りの部分に基づいて潜在的な脳波信号を合成させる。
論文 参考訳（メタデータ） (2021-09-07T14:42:55Z)
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。