論文の概要: EEG-ReMinD: Enhancing Neurodegenerative EEG Decoding through Self-Supervised State Reconstruction-Primed Riemannian Dynamics

• arxiv url: http://arxiv.org/abs/2501.08139v1
• Date: Tue, 14 Jan 2025 14:19:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-15 13:26:01.534045
• Title: EEG-ReMinD: Enhancing Neurodegenerative EEG Decoding through Self-Supervised State Reconstruction-Primed Riemannian Dynamics
• Title（参考訳）: EEG-ReMinD: 自己スーパービジョン状態再構成-素リーマンダイナミクスによる神経変性脳波デコーディングの促進
• Authors: Zirui Wang, Zhenxi Song, Yi Guo, Yuxin Liu, Guoyang Xu, Min Zhang, Zhiguo Zhang,
• Abstract要約: 脳波復号法(EEG-ReMinD)と呼ばれる新しい脳波復号法を提案する。 EEG-ReMinDは教師付き学習への依存を緩和し、固有の幾何学的特徴を統合する。 EEGデータの破損を効率的に処理し、ラベルへの依存を減らす。
• 参考スコア（独自算出の注目度）: 24.57253767771542
• License:
• Abstract: The development of EEG decoding algorithms confronts challenges such as data sparsity, subject variability, and the need for precise annotations, all of which are vital for advancing brain-computer interfaces and enhancing the diagnosis of diseases. To address these issues, we propose a novel two-stage approach named Self-Supervised State Reconstruction-Primed Riemannian Dynamics (EEG-ReMinD) , which mitigates reliance on supervised learning and integrates inherent geometric features. This approach efficiently handles EEG data corruptions and reduces the dependency on labels. EEG-ReMinD utilizes self-supervised and geometric learning techniques, along with an attention mechanism, to analyze the temporal dynamics of EEG features within the framework of Riemannian geometry, referred to as Riemannian dynamics. Comparative analyses on both intact and corrupted datasets from two different neurodegenerative disorders underscore the enhanced performance of EEG-ReMinD.
• Abstract（参考訳）: 脳波復号アルゴリズムの開発は、データのスパーシリティ、主題の可変性、正確なアノテーションの必要性といった課題に直面しており、これらは全て脳とコンピュータのインターフェースを進化させ、疾患の診断を強化するのに不可欠である。 これらの課題に対処するため、教師付き学習への依存を緩和し、固有の幾何学的特徴を統合する「セルフ・スーパービジョン・ステート・コンストラクション・プライムド・リーマン・ダイナミクス(EEG-ReMinD)」という新しい2段階アプローチを提案する。 このアプローチは、EEGデータの破損を効率的に処理し、ラベルへの依存を減らす。 EEG-ReMinDは、自己指導的および幾何学的学習技術とアテンションメカニズムを用いて、リーマン幾何学(リーマン力学)と呼ばれるリーマン幾何学の枠組み内のEEG特徴の時間的ダイナミクスを分析する。 2つの異なる神経変性疾患の無傷データセットと腐敗データセットの比較分析は、脳波-ReMinDの性能の向上を裏付けている。

関連論文リスト

• CognitionCapturer: Decoding Visual Stimuli From Human EEG Signal With Multimodal Information [61.1904164368732]
  脳波信号の表現にマルチモーダルデータを完全に活用する統合フレームワークであるCognitionCapturerを提案する。 具体的には、CognitionCapturerは、各モダリティに対してモダリティエキスパートを訓練し、EEGモダリティからモダリティ情報を抽出する。 このフレームワークは生成モデルの微調整を一切必要とせず、より多くのモダリティを組み込むように拡張することができる。
  論文  参考訳（メタデータ） (2024-12-13T16:27:54Z)
• Enhancing EEG Signal Generation through a Hybrid Approach Integrating Reinforcement Learning and Diffusion Models [6.102274021710727]
  本研究では、拡散モデルと強化学習を統合することにより、脳波(EEG)信号の合成に革新的なアプローチを導入する。 提案手法は, 時間的・スペクトル的特徴の詳細な脳波信号の生成を促進させ, 合成データセットの信頼性と多様性を向上する。
  論文  参考訳（メタデータ） (2024-09-14T07:22:31Z)
• RISE-iEEG: Robust to Inter-Subject Electrodes Implantation Variability iEEG Classifier [0.0]
  RISE-iEEGはRobust Inter-Subject Electrode implantation Variability iEEGの略である。 iEEGデコーダモデルを開発し,各患者に電極の座標を必要とせずに複数の患者のデータに適用した。 分析の結果, RISE-iEEG は HTNet や EEGNet よりも F1 よりも10%高い値を示した。
  論文  参考訳（メタデータ） (2024-08-12T18:33:19Z)
• 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)
• 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)
• fMRI-PTE: A Large-scale fMRI Pretrained Transformer Encoder for Multi-Subject Brain Activity Decoding [54.17776744076334]
  本稿では,fMRI事前学習のための革新的オートエンコーダであるfMRI-PTEを提案する。 我々のアプローチでは、fMRI信号を統合された2次元表現に変換し、次元の整合性を確保し、脳の活動パターンを保存する。 コントリビューションには、fMRI-PTEの導入、革新的なデータ変換、効率的なトレーニング、新しい学習戦略、そして我々のアプローチの普遍的な適用性が含まれる。
  論文  参考訳（メタデータ） (2023-11-01T07:24:22Z)
• 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)
• MAtt: A Manifold Attention Network for EEG Decoding [0.966840768820136]
  多様体注意ネットワーク(mAtt)を特徴とする脳波復号のための新しい幾何学的学習(GDL)モデルを提案する。 時間同期EEGデータセットと非同期EEGデータセットの両方におけるMAttの評価は、一般的なEEGデコーディングのための他の主要なDLメソッドよりも優れていることを示唆している。
  論文  参考訳（メタデータ） (2022-10-05T02:26:31Z)
• 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。