論文の概要: YARE-GAN: Yet Another Resting State EEG-GAN

• arxiv url: http://arxiv.org/abs/2503.02636v1
• Date: Tue, 04 Mar 2025 14:01:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-05 19:15:49.064973
• Title: YARE-GAN: Yet Another Resting State EEG-GAN
• Title（参考訳）: YARE-GAN: もう1つの静止状態脳波GAN
• Authors: Yeganeh Farahzadi, Morteza Ansarinia, Zoltan Kekecs,
• Abstract要約: GAN(Generative Adversarial Networks)は、現実的なニューラルネットワークの合成において有望であることを示す。 本研究では、静止状態の脳波データを生成するために、グラディエントペナルティ付きワッサーシュタインGANを実装した。 本結果は,実際の脳波データの統計的特徴とスペクトル特性を効果的に捉えていることを示す。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Generative Adversarial Networks (GANs) have shown promise in synthesising realistic neural data, yet their potential for unsupervised representation learning in resting-state EEG remains under explored. In this study, we implement a Wasserstein GAN with Gradient Penalty (WGAN-GP) to generate multi-channel resting-state EEG data and assess the quality of the synthesised signals through both visual and feature-based evaluations. Our results indicate that the model effectively captures the statistical and spectral characteristics of real EEG data, although challenges remain in replicating high-frequency oscillations in the frontal region. Additionally, we demonstrate that the Critic's learned representations can be fine-tuned for age group classification, achieving an out-of-sample accuracy, significantly better than a shuffled-label baseline. These findings suggest that generative models can serve not only as EEG data generators but also as unsupervised feature extractors, reducing the need for manual feature engineering. This study highlights the potential of GAN-based unsupervised learning for EEG analysis, suggesting avenues for more data-efficient deep learning applications in neuroscience.
• Abstract（参考訳）: GAN(Generative Adversarial Networks)は、現実的なニューラルネットワークの合成を約束しているが、静止状態の脳波における教師なし表現学習の可能性はまだ検討されていない。 本研究では,WGAN-GP(Gradient Penalty)を用いたWasserstein GANを実装し,多チャンネル静止状態脳波データを生成し,視覚的および特徴的評価により合成信号の品質を評価する。 本結果は,前頭葉領域における高周波振動の再現には課題があるものの,実際の脳波データの統計的特徴とスペクトル特性を効果的に捉えることを示唆している。 さらに,Criticの学習した表現を年齢群分類に微調整し,サンプル外精度を実現し,シャッフルラベルベースラインよりもはるかに優れていることを示した。 これらの結果は、生成モデルが脳波データジェネレータとしてだけでなく、教師なしの特徴抽出器としても機能し、手動の特徴工学の必要性を減らすことを示唆している。 この研究は、脳波分析のためのGANベースの教師なし学習の可能性を強調し、神経科学におけるよりデータ効率の高いディープラーニング応用への道のりを示唆している。

関連論文リスト

• EEGFormer: Towards Transferable and Interpretable Large-Scale EEG Foundation Model [39.363511340878624]
  大規模複合脳波データに基づいて事前学習した脳波基礎モデル,すなわちEEGFormerを提案する。 本モデルの有効性を検証するため,様々な下流タスクにおいて広範囲に評価し,異なる転送条件下での性能を評価する。
  論文  参考訳（メタデータ） (2024-01-11T17:36:24Z)
• 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)
• EEG Synthetic Data Generation Using Probabilistic Diffusion Models [0.0]
  本研究では,拡散確率モデルを用いて合成脳波データを生成する,データ拡張のための高度な手法を提案する。 脳波記録の電極周波数分布マップ(EFDM)から合成データを生成する。 提案手法は、大規模で公開可能な人工脳波データセットの作成を可能にすることにより、より広い分野の神経科学研究に潜在的に影響を及ぼす可能性がある。
  論文  参考訳（メタデータ） (2023-03-06T12:03:22Z)
• Energy-based Out-of-Distribution Detection for Graph Neural Networks [76.0242218180483]
  我々は,GNNSafeと呼ばれるグラフ上での学習のための,シンプルで強力で効率的なOOD検出モデルを提案する。 GNNSafeは、最先端技術に対するAUROCの改善を最大17.0%で達成しており、そのような未開発領域では単純だが強力なベースラインとして機能する可能性がある。
  論文  参考訳（メタデータ） (2023-02-06T16:38:43Z)
• 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)
• Entity-Conditioned Question Generation for Robust Attention Distribution in Neural Information Retrieval [51.53892300802014]
  教師付きニューラル情報検索モデルでは,通過トークンよりも疎注意パターンを学習することが困難であることを示す。 目的とする新しい合成データ生成手法を用いて、与えられた通路内の全てのエンティティに対して、より均一で堅牢な参加をニューラルIRに教える。
  論文  参考訳（メタデータ） (2022-04-24T22:36:48Z)
• GANSER: A Self-supervised Data Augmentation Framework for EEG-based Emotion Recognition [15.812231441367022]
  本稿では,GANSER(Generative Adversarial Network-based Self-supervised Data Augmentation)という新しいデータ拡張フレームワークを提案する。 脳波に基づく感情認識のための自己教師型学習と対人訓練を併用する最初の試みとして、提案フレームワークは高品質な模擬脳波サンプルを生成することができる。 変換関数は、脳波信号の一部を隠蔽し、生成元に残りの部分に基づいて潜在的な脳波信号を合成させる。
  論文  参考訳（メタデータ） (2021-09-07T14:42:55Z)
• A Novel Transferability Attention Neural Network Model for EEG Emotion Recognition [51.203579838210885]
  脳波感情認識のための伝達型注目ニューラルネットワーク(TANN)を提案する。 TANNは、伝達可能な脳波領域のデータとサンプルを適応的に強調することにより、感情的な識別情報を学習する。 これは、複数の脳領域レベル判別器と1つのサンプルレベル判別器の出力を測定することで実現できる。
  論文  参考訳（メタデータ） (2020-09-21T02:42:30Z)
• 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)

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。