論文の概要: MSEMG: Surface Electromyography Denoising with a Mamba-based Efficient Network
- arxiv url: http://arxiv.org/abs/2411.18902v1
- Date: Thu, 28 Nov 2024 04:25:28 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-12-02 15:18:43.458301
- Title: MSEMG: Surface Electromyography Denoising with a Mamba-based Efficient Network
- Title(参考訳): MSEMG:Mamba-based Efficient Networkを用いた表面筋電図
- Authors: Yu-Tung Liu, Kuan-Chen Wang, Rong Chao, Sabato Marco Siniscalchi, Ping-Cheng Yeh, Yu Tsao,
- Abstract要約: 表面筋電図(sEMG)記録は、監視された筋肉が心臓に閉じているときに心電図(ECG)信号によって汚染される。
我々は,Mamba State Space Modelと畳み込みニューラルネットワークを統合し,軽量なsEMG復調モデルとして機能する新しいシステムであるMSEMGを紹介する。
- 参考スコア(独自算出の注目度): 21.596126531908908
- License:
- Abstract: Surface electromyography (sEMG) recordings can be contaminated by electrocardiogram (ECG) signals when the monitored muscle is closed to the heart. Traditional signal-processing-based approaches, such as high-pass filtering and template subtraction, have been used to remove ECG interference but are often limited in their effectiveness. Recently, neural-network-based methods have shown greater promise for sEMG denoising, but they still struggle to balance both efficiency and effectiveness. In this study, we introduce MSEMG, a novel system that integrates the Mamba State Space Model with a convolutional neural network to serve as a lightweight sEMG denoising model. We evaluated MSEMG using sEMG data from the Non-Invasive Adaptive Prosthetics database and ECG signals from the MIT-BIH Normal Sinus Rhythm Database. The results show that MSEMG outperforms existing methods, generating higher-quality sEMG signals with fewer parameters. The source code for MSEMG is available at https://github.com/tonyliu0910/MSEMG.
- Abstract(参考訳): 表面筋電図(sEMG)記録は、監視された筋肉が心臓に閉じているときに心電図(ECG)信号によって汚染される。
従来の信号処理に基づくアプローチ、例えばハイパスフィルタリングやテンプレートサブトラクションは、ECGの干渉を取り除くために使われてきたが、その効果は限られている。
近年、ニューラルネットワークベースの手法は、sEMGのデノナイズにより大きな可能性を示しているが、効率と効率の両立に苦慮している。
本研究では,マンバ状態空間モデルと畳み込みニューラルネットワークを統合し,軽量なsEMGデノナイジングモデルとして機能する新しいシステムであるMSEMGを紹介する。
非侵襲適応補綴データベースのsEMGデータとMIT-BIH正規洞リズムデータベースのECG信号を用いてMSEMGを評価した。
その結果、MSEMGは既存の手法よりも優れており、より少ないパラメータで高品質なsEMG信号を生成することがわかった。
MSEMGのソースコードはhttps://github.com/tonyliu0910/MSEMGで入手できる。
関連論文リスト
- MSECG: Incorporating Mamba for Robust and Efficient ECG Super-Resolution [27.433941157026737]
本稿では,ECG SR 用に設計されたコンパクトニューラルネットワークモデル MSECG を提案する。
MSECGは、再帰するMambaモデルの強度と畳み込み層を組み合わせることで、ECG波形の局所的および大域的依存関係をキャプチャする。
実験結果から,MSECGは2つの現代ECG SRモデルよりもクリーンでノイズの多い条件下で優れていた。
論文 参考訳(メタデータ) (2024-12-06T08:53:31Z) - MECG-E: Mamba-based ECG Enhancer for Baseline Wander Removal [23.040957989796155]
我々は,マンバをベースとしたECGエンハンサー(MECG-E)という新しいECGデノベーションモデルを提案する。
MECG-Eは、様々なノイズ条件下で、複数のメトリクスにまたがる、よく知られた既存モデルを上回る。
最先端の拡散に基づくECGデノイザよりも推論時間が少ない。
論文 参考訳(メタデータ) (2024-09-27T15:22:44Z) - A Non-Intrusive Neural Quality Assessment Model for Surface Electromyography Signals [19.894088480632217]
本研究では,SEMG信号のSNRを予測する新しい非侵入モデルQASE-netを提案する。
実験フレームワークは,2つのオープンアクセスデータベースから実世界のsEMGとECGデータを利用する。
論文 参考訳(メタデータ) (2024-02-08T08:23:33Z) - SDEMG: Score-based Diffusion Model for Surface Electromyographic Signal
Denoising [15.472398279233515]
表面筋電図(sEMG)記録は、監視される筋肉が心臓に近いときに心電図(ECG)信号に影響される。
本稿では,SDEMGと呼ばれる新しい手法を提案し,SEMG信号デノイングのためのスコアベース拡散モデルを提案する。
論文 参考訳(メタデータ) (2024-02-06T08:48:39Z) - 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) - Denoising Simulated Low-Field MRI (70mT) using Denoising Autoencoders
(DAE) and Cycle-Consistent Generative Adversarial Networks (Cycle-GAN) [68.8204255655161]
高磁場, 高分解能, 高信号-雑音比 (SNR) 磁気共鳴イメージング (MRI) 画像を得るために, GAN (Cycle Consistent Generative Adversarial Network) が実装されている。
Denoising Autoencoder(DAE)とCycle-GANをペアとアンペアのケースで訓練するために画像が使用された。
この研究は、古典的DAEを上回り、低磁場MRI画像を改善することができ、画像ペアを必要としない生成的ディープラーニングモデルの使用を実証する。
論文 参考訳(メタデータ) (2023-07-12T00:01:00Z) - Convolutional Monge Mapping Normalization for learning on sleep data [63.22081662149488]
我々は、CMMN(Convolutional Monge Mapping Normalization)と呼ばれる新しい手法を提案する。
CMMNは、そのパワースペクトル密度(PSD)をトレーニングデータに基づいて推定されるワッサーシュタインバリセンタに適応させるために、信号をフィルタリングする。
睡眠脳波データに関する数値実験により、CMMNはニューラルネットワークアーキテクチャから独立して、顕著で一貫したパフォーマンス向上をもたらすことが示された。
論文 参考訳(メタデータ) (2023-05-30T08:24:01Z) - 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) - ECG Artifact Removal from Single-Channel Surface EMG Using Fully
Convolutional Networks [9.468136300919062]
本研究は,完全畳み込みネットワーク(FCN)を用いた単一チャネルsEMG信号からECGアーチファクトを除去する新しい復号法を提案する。
提案手法は,SEMGデノナイズのためのニューラルネットワークのデノエーズオートエンコーダ構造と強力な非線形マッピング機能を採用する。
論文 参考訳(メタデータ) (2022-10-24T14:12:11Z) - Site Generalization: Stroke Lesion Segmentation on Magnetic Resonance
Images from Unseen Sites [40.32385363670918]
ストロークは様々な脳血管疾患の主要な原因である。
この課題に対して深層学習に基づくモデルが提案されているが、これらのモデルを見えない場所に一般化することは困難である。
SG-Netと呼ばれるU-netベースのセグメンテーションネットワークを提案する。
論文 参考訳(メタデータ) (2022-05-09T14:33:06Z) - ECG-DelNet: Delineation of Ambulatory Electrocardiograms with Mixed
Quality Labeling Using Neural Networks [69.25956542388653]
ディープラーニング(DL)アルゴリズムは、学術的、産業的にも重くなっている。
セグメンテーションフレームワークにECGの検出とデライン化を組み込むことにより、低解釈タスクにDLをうまく適用できることを実証する。
このモデルは、PhyloNetのQTデータベースを使用して、105個の増幅ECG記録から訓練された。
論文 参考訳(メタデータ) (2020-05-11T16:29:12Z)
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。