論文の概要: EEG Artifact Detection and Correction with Deep Autoencoders

• arxiv url: http://arxiv.org/abs/2502.08686v1
• Date: Wed, 12 Feb 2025 12:06:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-14 13:49:52.822757
• Title: EEG Artifact Detection and Correction with Deep Autoencoders
• Title（参考訳）: ディープオートエンコーダを用いた脳波アーチファクト検出と補正
• Authors: David Aquilué-Llorens, Aureli Soria-Frisch,
• Abstract要約: LSTEEGは、脳波信号のアーチファクトの検出と修正のためのLSTMベースの新しいオートエンコーダである。 提案手法は,自己エンコーダの潜在空間の解釈可能性と有用性を高める。 本研究は, 効率的かつ高精度なマルチチャネル脳波前処理の分野を推し進めるものである。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: EEG signals convey important information about brain activity both in healthy and pathological conditions. However, they are inherently noisy, which poses significant challenges for accurate analysis and interpretation. Traditional EEG artifact removal methods, while effective, often require extensive expert intervention. This study presents LSTEEG, a novel LSTM-based autoencoder designed for the detection and correction of artifacts in EEG signals. Leveraging deep learning, particularly LSTM layers, LSTEEG captures non-linear dependencies in sequential EEG data. LSTEEG demonstrates superior performance in both artifact detection and correction tasks compared to other state-of-the-art convolutional autoencoders. Our methodology enhances the interpretability and utility of the autoencoder's latent space, enabling data-driven automated artefact removal in EEG its application in downstream tasks. This research advances the field of efficient and accurate multi-channel EEG preprocessing, and promotes the implementation and usage of automated EEG analysis pipelines for brain health applications.
• Abstract（参考訳）: 脳波信号は、健康状態と病理状態の両方において脳活動に関する重要な情報を伝達する。 しかし、それらは本質的にうるさいもので、正確な分析と解釈に重大な課題をもたらす。 従来の脳波アーチファクト除去法は効果的であるが、しばしば広範囲の専門的な介入を必要とする。 本研究は,脳波信号のアーチファクトの検出と修正を目的としたLSTMベースの新しいオートエンコーダLSTEEGを提案する。 ディープラーニング、特にLSTMレイヤを活用して、LSTEEGはシーケンシャルなEEGデータ内の非線形依存関係をキャプチャする。 LSTEEGは、他の最先端の畳み込みオートエンコーダと比較して、アーティファクト検出と修正の両方で優れた性能を示す。 提案手法は,自動エンコーダの潜在空間の解釈性と有用性を向上し,データ駆動型自動アーティファクト除去を実現する。 本研究は、効率よく正確なマルチチャネル脳波前処理の分野を進歩させ、脳健康アプリケーションのための自動脳波分析パイプラインの実装と利用を促進する。

関連論文リスト

• ART: Artifact Removal Transformer for Reconstructing Noise-Free Multichannel Electroencephalographic Signals [0.10499611180329801]
  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。
  論文  参考訳（メタデータ） (2024-09-11T15:05:40Z)
• CathFlow: Self-Supervised Segmentation of Catheters in Interventional Ultrasound Using Optical Flow and Transformers [66.15847237150909]
  縦型超音波画像におけるカテーテルのセグメンテーションのための自己教師型ディープラーニングアーキテクチャを提案する。 ネットワークアーキテクチャは、Attention in Attentionメカニズムで構築されたセグメンテーショントランスフォーマであるAiAReSeg上に構築されている。 我々は,シリコンオルタファントムから収集した合成データと画像からなる実験データセット上で,我々のモデルを検証した。
  論文  参考訳（メタデータ） (2024-03-21T15:13:36Z)
• ARNN: Attentive Recurrent Neural Network for Multi-channel EEG Signals to Identify Epileptic Seizures [2.3907933297014927]
  A Attention Recurrent Neural Network (ARNN) が提案され、大量のデータを効率的に正確に処理できる。 ARNN細胞は、配列に沿って注意層を繰り返し適用し、配列長と線形複雑である。 このフレームワークは、注意層と長い短期記憶(LSTM)細胞にインスパイアされているが、この典型的な細胞を複数の順序でスケールアップし、マルチチャネル脳波信号を並列化する。
  論文  参考訳（メタデータ） (2024-03-05T19:15:17Z)
• 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)
• EOG Artifact Removal from Single and Multi-channel EEG Recordings through the combination of Long Short-Term Memory Networks and Independent Component Analysis [0.0]
  脳波信号からのEOGアーチファクト除去の課題に対処するために,LSTM(Long Short-term memory)ベースのニューラルネットワークとICAを組み合わせた新しい手法を提案する。 本研究の目的は,1) 汚染された脳波データから水平および垂直EOG信号を推定し,2) ICAを用いて脳波から推定EOG信号を除去することである。
  論文  参考訳（メタデータ） (2023-08-25T13:32:28Z)
• 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)
• CLEEGN: A Convolutional Neural Network for Plug-and-Play Automatic EEG Reconstruction [1.6999370482438731]
  脳波自動再構成のための新しい畳み込みニューラルネットワークであるCLEEGNを提案する。 CLEEGNの性能は、波形観測、再構成誤差評価、復号精度などの複数の評価値を用いて検証した。 我々は、CLEEGNの広範囲な応用を、オンラインのプラグアンドプレイ脳波復号と分析の今後の研究に期待する。
  論文  参考訳（メタデータ） (2022-10-12T07:56:09Z)
• Task-oriented Self-supervised Learning for Anomaly Detection in Electroencephalography [51.45515911920534]
  タスク指向型自己教師型学習手法を提案する。 大きなカーネルを持つ特定の2つの分岐畳み込みニューラルネットワークを特徴抽出器として設計する。 効果的に設計され、訓練された特徴抽出器は、より優れた特徴表現を脳波から抽出できることが示されている。
  論文  参考訳（メタデータ） (2022-07-04T13:15:08Z)
• 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)
• Uncovering the structure of clinical EEG signals with self-supervised learning [64.4754948595556]
  教師付き学習パラダイムは、しばしば利用可能なラベル付きデータの量によって制限される。 この現象は脳波(EEG)などの臨床関連データに特に問題となる。 ラベルのないデータから情報を抽出することで、ディープニューラルネットワークとの競合性能に到達することができるかもしれない。
  論文  参考訳（メタデータ） (2020-07-31T14:34:47Z)
• 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。