論文の概要: Deep EEG Super-Resolution: Upsampling EEG Spatial Resolution with Generative Adversarial Networks

• arxiv url: http://arxiv.org/abs/2502.08803v1
• Date: Wed, 12 Feb 2025 21:32:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-14 13:47:48.620576
• Title: Deep EEG Super-Resolution: Upsampling EEG Spatial Resolution with Generative Adversarial Networks
• Title（参考訳）: 深部脳波スーパーリゾリューション:ジェネレーティブ・ディバイサル・ネットワークを用いた脳波空間分解能のアップサンプリング
• Authors: Isaac Corley, Yufei Huang,
• Abstract要約: 我々はジェネレーティブ・アドリアル・ネットワーク(GAN)に基づく新しい深部脳波超解像(SR)アプローチを提案する。 このアプローチは、チャネルワイズアップサンプルデータを生成し、多数の行方不明チャネルを効果的に補間することにより、低分解能サンプルから高空間分解能脳波データを生成することができる。 提案モデルでは, 平均二乗誤差 (MSE) の104倍, 102倍の102倍, 平均絶対誤差 (MAE) をベースラインバイバーサ法に対して提案した。
• 参考スコア（独自算出の注目度）: 6.648577781296543
• License:
• Abstract: Electroencephalography (EEG) activity contains a wealth of information about what is happening within the human brain. Recording more of this data has the potential to unlock endless future applications. However, the cost of EEG hardware is increasingly expensive based upon the number of EEG channels being recorded simultaneously. We combat this problem in this paper by proposing a novel deep EEG super-resolution (SR) approach based on Generative Adversarial Networks (GANs). This approach can produce high spatial resolution EEG data from low resolution samples, by generating channel-wise upsampled data to effectively interpolate numerous missing channels, thus reducing the need for expensive EEG equipment. We tested the performance using an EEG dataset from a mental imagery task. Our proposed GAN model provided 10^4 fold and 10^2 fold reduction in mean-squared error (MSE) and mean-absolute error (MAE), respectively, over the baseline bicubic interpolation method. We further validate our method by training a classifier on the original classification task, which displayed minimal loss in accuracy while using the super-resolved data. The proposed SR EEG by GAN is a promising approach to improve the spatial resolution of low density EEG headsets.
• Abstract（参考訳）: 脳電図(EEG)の活動は、人間の脳内で起こっていることに関する豊富な情報を含んでいる。 より多くのデータを記録することは、無限の将来のアプリケーションをアンロックする可能性がある。 しかし、同時に記録されるEEGチャネルの数に基づいて、EEGハードウェアのコストはますます高くなっています。 本稿では,GAN(Generative Adversarial Networks)に基づく新しい深層脳波スーパーレゾリューション(SR)アプローチを提案することで,この問題に対処する。 このアプローチは,低分解能試料から高空間分解能脳波データを生成し,チャネルワイドなアップサンプリングデータを生成し,多数の行方不明チャネルを効果的に補間することにより,高価な脳波装置の必要性を低減できる。 心的イメージタスクから脳波データセットを用いて,その性能を検証した。 提案モデルでは, 平均二乗誤差 (MSE) と平均絶対誤差 (MAE) の10^4倍の10^2倍の10^2倍の10^2倍の10^2倍の値を示した。 さらに,本手法は,従来の分類課題における分類器の訓練により検証し,超解データを用いて精度の低下を最小限に抑えた。 GANが提案するSR EEGは、低密度脳波ヘッドセットの空間分解能を改善するための有望なアプローチである。

関連論文リスト

• 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)
• Improving EEG Classification Through Randomly Reassembling Original and Generated Data with Transformer-based Diffusion Models [12.703528969668062]
  本稿では,トランスフォーマーを用いた拡散確率モデルとデータに基づく拡張手法を提案する。 脳波信号の特徴として,信号の事前処理を行う定数要素スケーリング手法を提案する。 提案手法は,生成したデータを時間領域の原データでランダムに再集合し,ビジナルデータを取得する。
  論文  参考訳（メタデータ） (2024-07-20T06:58:14Z)
• How Homogenizing the Channel-wise Magnitude Can Enhance EEG Classification Model? [4.0871083166108395]
  我々は、EEGデータ前処理にシンプルで効果的なアプローチを提案する。 提案手法はまず,逆チャネルワイドマグニチュード均質化により,脳波データを符号化画像に変換する。 これにより、巨大なディープラーニングネットワークを使わずに、脳波学習プロセスを改善することができる。
  論文  参考訳（メタデータ） (2024-07-19T09:11:56Z)
• Generative AI Enables EEG Super-Resolution via Spatio-Temporal Adaptive Diffusion Learning [14.96787832363301]
  HDデバイスは頭皮により多くの電極を配置することで脳波の空間分解能を向上させる。 この技術は、高い取得コストや限られた利用シナリオといった課題に直面している。 本稿では,適応拡散モデル(STAD)を提案する。
  論文  参考訳（メタデータ） (2024-07-03T13:26:31Z)
• 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)
• 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)
• LD-GAN: Low-Dimensional Generative Adversarial Network for Spectral Image Generation with Variance Regularization [72.4394510913927]
  ディープラーニング法はスペクトル画像(SI)計算タスクの最先端技術である。 GANは、データ分散から学習およびサンプリングすることで、多様な拡張を可能にする。 この種のデータの高次元性は、GANトレーニングの収束を妨げるため、GANベースのSI生成は困難である。 本稿では, オートエンコーダ訓練における低次元表現分散を制御し, GANで生成されたサンプルの多様性を高めるための統計正則化を提案する。
  論文  参考訳（メタデータ） (2023-04-29T00:25:02Z)
• Decision Forest Based EMG Signal Classification with Low Volume Dataset Augmented with Random Variance Gaussian Noise [51.76329821186873]
  我々は6種類の手振りを限定的なサンプル数で分類できるモデルを作成し、より広い聴衆によく一般化する。 信号のランダムなバウンドの使用など、より基本的な手法のセットにアピールするが、これらの手法がオンライン環境で持てる力を示したいと考えている。
  論文  参考訳（メタデータ） (2022-06-29T23:22:18Z)
• 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)
• Deep learning denoising for EOG artifacts removal from EEG signals [0.5243460995467893]
  脳波の偏光過程における最も難しい問題のひとつは、眼のアーチファクトを除去することである。 本稿では,この課題に対処する深層学習モデルを構築・訓練し,眼のアーチファクトを効果的に除去する。 我々は3つの異なるスキームを提案し、U-NETベースのモデルで汚染された脳波信号の浄化を学ばせた。
  論文  参考訳（メタデータ） (2020-09-12T23:28:12Z)

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。