論文の概要: CAE-T: A Channelwise AutoEncoder with Transformer for EEG Abnormality Detection
- arxiv url: http://arxiv.org/abs/2412.14522v1
- Date: Thu, 19 Dec 2024 04:38:34 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-12-20 13:34:00.486827
- Title: CAE-T: A Channelwise AutoEncoder with Transformer for EEG Abnormality Detection
- Title(参考訳): CAE-T:脳波異常検出用トランスを用いたチャネルワイドオートエンコーダ
- Authors: Youshen Zhao, Keiji Iramina,
- Abstract要約: CAE-Tは、チャネルワイズCNNベースのオートエンコーダと、効率的なEEG異常検出のためのシングルヘッドトランスフォーマー分類器を組み合わせた、新しいフレームワークである。
TUH異常脳波コーパスを用いて、提案モデルは85.0%の精度、76.2%の感度、91.2%の特異性を達成する。
この枠組みはチャネル設計を通じて解釈可能性を維持しており、神経科学研究や臨床実践における将来の応用の可能性を示している。
- 参考スコア(独自算出の注目度): 0.4448543797168715
- License:
- Abstract: Electroencephalogram (EEG) signals are critical for detecting abnormal brain activity, but their high dimensionality and complexity pose significant challenges for effective analysis. In this paper, we propose CAE-T, a novel framework that combines a channelwise CNN-based autoencoder with a single-head transformer classifier for efficient EEG abnormality detection. The channelwise autoencoder compresses raw EEG signals while preserving channel independence, reducing computational costs and retaining biologically meaningful features. The compressed representations are then fed into the transformer-based classifier, which efficiently models long-term dependencies to distinguish between normal and abnormal signals. Evaluated on the TUH Abnormal EEG Corpus, the proposed model achieves 85.0% accuracy, 76.2% sensitivity, and 91.2% specificity at the per-case level, outperforming baseline models such as EEGNet, Deep4Conv, and FusionCNN. Furthermore, CAE-T requires only 202M FLOPs and 2.9M parameters, making it significantly more efficient than transformer-based alternatives. The framework retains interpretability through its channelwise design, demonstrating great potential for future applications in neuroscience research and clinical practice. The source code is available at https://github.com/YossiZhao/CAE-T.
- Abstract(参考訳): 脳波(EEG)信号は異常な脳活動を検出するのに重要であるが、その高次元性や複雑さは効果的な分析に重大な課題をもたらす。
本稿では,チャネルワイズCNNベースのオートエンコーダとシングルヘッドトランスフォーマー分類器を組み合わせた,脳波異常検出のための新しいフレームワークであるCAE-Tを提案する。
チャネルワイドオートエンコーダは、チャネル独立性を維持しながら生の脳波信号を圧縮し、計算コストを低減し、生物学的に意味のある特徴を保持する。
圧縮された表現は変換器ベースの分類器に入力され、これは正常信号と異常信号の区別のために、長期依存を効率的にモデル化する。
TUH異常脳波コーパスで評価され、提案モデルは精度85.0%、感度76.2%、特異度91.2%であり、EEGNet、Deep4Conv、FusionCNNなどのベースラインモデルを上回っている。
さらに、CAE-Tは202MのFLOPと2.9Mのパラメータしか必要とせず、トランスフォーマーベースの代替よりもはるかに効率的である。
この枠組みはチャネル設計を通じて解釈可能性を維持しており、神経科学研究や臨床実践における将来の応用の可能性を示している。
ソースコードはhttps://github.com/YossiZhao/CAE-T.comで入手できる。
関連論文リスト
- Removing Neural Signal Artifacts with Autoencoder-Targeted Adversarial Transformers (AT-AT) [0.0]
オートエンコーダをターゲットとした対向変換器(AT-AT)を用いて脳波データからEMG干渉をフィルタリングする機械学習システムを提案する。
67名の被験者から公開された神経データを用いてAT-ATをトレーニングしたところ、システムはより大きなモデルに匹敵するテスト性能を達成できたことがわかった。
論文 参考訳(メタデータ) (2025-02-07T21:13:31Z) - CEReBrO: Compact Encoder for Representations of Brain Oscillations Using Efficient Alternating Attention [53.539020807256904]
交互注意(CEReBrO)を用いた脳振動の表現のための圧縮法について紹介する。
トークン化方式は、チャネルごとのパッチで脳波信号を表現します。
本研究では,チャネル内時間的ダイナミックスとチャネル間空間的相関を共同でモデル化し,通常の自己アテンションに比べて6倍少ないメモリで2倍の速度向上を実現するための注意機構を提案する。
論文 参考訳(メタデータ) (2025-01-18T21:44:38Z) - Accelerating Error Correction Code Transformers [56.75773430667148]
本稿では,トランスを用いたデコーダの高速化手法を提案する。
最新のハードウェアでは、90%の圧縮比を実現し、算術演算エネルギー消費を少なくとも224倍削減する。
論文 参考訳(メタデータ) (2024-10-08T11:07:55Z) - Comparison of Autoencoder Encodings for ECG Representation in Downstream Prediction Tasks [2.2616169634370076]
自動エンコーダ(SAE)、Annealed beta-VAE(Abeta-VAE)、Cbeta-VAE(Cbeta-VAE)の3種類の新しい変分自動エンコーダ(VAE)を導入した。
アベタVAEは、信号ノイズのレベルである平均絶対誤差(MAE)を15.7プラス3.2マイクロボルトに減らした。
以上の結果から,これらのVAE符号化はECGデータの簡易化だけでなく,限られたラベル付き学習データを用いた文脈での深層学習の実践的解決にも有効であることが示唆された。
論文 参考訳(メタデータ) (2024-10-03T19:30:05Z) - Dual-TSST: A Dual-Branch Temporal-Spectral-Spatial Transformer Model for EEG Decoding [2.0721229324537833]
デュアルブランチ時間スペクトル空間変換器(Dual-TSST)を用いた新しいデコードアーキテクチャネットワークを提案する。
提案するDual-TSSTは様々なタスクにおいて優れており,平均精度80.67%の脳波分類性能が期待できる。
本研究は,高性能脳波デコーディングへの新たなアプローチを提供するとともに,将来のCNN-Transformerベースのアプリケーションにも大きな可能性を秘めている。
論文 参考訳(メタデータ) (2024-09-05T05:08:43Z) - Efficient Decoder-free Object Detection with Transformers [75.00499377197475]
視覚変換器(ViT)は、物体検出アプローチのランドスケープを変化させている。
本稿では,デコーダフリー完全トランス(DFFT)オブジェクト検出器を提案する。
DFFT_SMALLは、トレーニングおよび推論段階で高い効率を達成する。
論文 参考訳(メタデータ) (2022-06-14T13:22:19Z) - Grasp-and-Lift Detection from EEG Signal Using Convolutional Neural
Network [1.869097450593631]
本稿では,32チャネル脳波信号から手動動作ビズGALを検出する手法を自動化した。
提案したパイプラインは、基本的には前処理とエンドツーエンド検出ステップを組み合わせたもので、手作りの機能エンジニアリングの必要性を排除している。
論文 参考訳(メタデータ) (2022-02-12T19:27:06Z) - Multiple Time Series Fusion Based on LSTM An Application to CAP A Phase
Classification Using EEG [56.155331323304]
本研究では,深層学習に基づく脳波チャンネルの特徴レベル融合を行う。
チャネル選択,融合,分類手順を2つの最適化アルゴリズムで最適化した。
論文 参考訳(メタデータ) (2021-12-18T14:17:49Z) - Learning Signal Representations for EEG Cross-Subject Channel Selection
and Trial Classification [0.3553493344868413]
脳波記録の主観非依存チャネル選択のためのアルゴリズムを提案する。
チャネル固有の1D-畳み込みニューラルネットワーク(1D-CNN)を教師付き方法で特徴抽出器として利用し、クラス分離性を最大化する。
トレーニング後、選択されたチャネル固有の1D-CNNのパラメータ化されたサブグループのみを新しい被験者からの新たな信号に転送することで、アルゴリズムを活用できる。
論文 参考訳(メタデータ) (2021-06-20T06:22:16Z) - Robust learning from corrupted EEG with dynamic spatial filtering [68.82260713085522]
実験室の外で記録されたEEGを使用して機械学習モデルを構築するには、ノイズの多いデータとランダムに欠落するチャネルにロバストな方法が必要である。
ニューラルネットワークの第1層の前に挿入可能なマルチヘッドアテンションモジュールである動的空間フィルタリング(DSF)を提案する。
筆者らは, チャネル汚損を模擬した4000件の録音を含む公開脳波データと, 自然汚損をともなう移動脳波の自家記録100件のプライベートデータセットを用いて, DSFを試験した。
論文 参考訳(メタデータ) (2021-05-27T02:33:16Z) - EEG-Inception: An Accurate and Robust End-to-End Neural Network for
EEG-based Motor Imagery Classification [123.93460670568554]
本稿では,脳波に基づく運動画像(MI)分類のための新しい畳み込みニューラルネットワーク(CNN)アーキテクチャを提案する。
提案したCNNモデル、すなわちEEG-Inceptionは、Inception-Timeネットワークのバックボーン上に構築されている。
提案するネットワークは、生のEEG信号を入力とし、複雑なEEG信号前処理を必要としないため、エンドツーエンドの分類である。
論文 参考訳(メタデータ) (2021-01-24T19:03:10Z)
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。