論文の概要: Artifact detection and localization in single-channel mobile EEG for sleep research using deep learning and attention mechanisms

• arxiv url: http://arxiv.org/abs/2504.08469v1
• Date: Fri, 11 Apr 2025 11:57:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-14 14:17:43.494181
• Title: Artifact detection and localization in single-channel mobile EEG for sleep research using deep learning and attention mechanisms
• Title（参考訳）: 深層学習と注意機構を用いた睡眠研究のための単一チャンネル移動脳波のアーチファクト検出と局所化
• Authors: Khrystyna Semkiv, Jia Zhang, Maria Laura Ferster, Walter Karlen,
• Abstract要約: 脳波(EEG)のアーチファクトは信号品質を低下させ、脳活動の解析に影響を及ぼす。 睡眠中のアーティファクトを検出する現在の方法は、手動による介入を必要とする単純なしきい値ベースのアルゴリズムに依存している。 コンボリューションブロックアテンションモジュール(CNN-CBAM)を組み込んだ畳み込みニューラルネットワーク(CNN)モデルを提案する。
• 参考スコア（独自算出の注目度）: 5.3125934435880895
• License:
• Abstract: Artifacts in the electroencephalogram (EEG) degrade signal quality and impact the analysis of brain activity. Current methods for detecting artifacts in sleep EEG rely on simple threshold-based algorithms that require manual intervention, which is time-consuming and impractical due to the vast volume of data that novel mobile recording systems generate. We propose a convolutional neural network (CNN) model incorporating a convolutional block attention module (CNN-CBAM) to detect and identify the location of artifacts in the sleep EEG with attention maps. We benchmarked this model against six other machine learning and signal processing approaches. We trained/tuned all models on 72 manually annotated EEG recordings obtained during home-based monitoring from 18 healthy participants with a mean (SD) age of 68.05 y ($\pm$5.02). We tested them on 26 separate recordings from 6 healthy participants with a mean (SD) age of 68.33 y ($\pm$4.08), with contained artifacts in 4\% of epochs. CNN-CBAM achieved the highest area under the receiver operating characteristic curve (0.88), sensitivity (0.81), and specificity (0.86) when compared to the other approaches. The attention maps from CNN-CBAM localized artifacts within the epoch with a sensitivity of 0.71 and specificity of 0.67. This work demonstrates the feasibility of automating the detection and localization of artifacts in wearable sleep EEG.
• Abstract（参考訳）: 脳波(EEG)のアーチファクトは信号品質を低下させ、脳活動の解析に影響を及ぼす。 睡眠中のアーティファクトを検出する現在の方法は、手動による介入を必要とする単純なしきい値ベースのアルゴリズムに依存している。 コンボリューションブロックアテンションモジュール(CNN-CBAM)を組み込んだ畳み込みニューラルネットワーク(CNN)モデルを提案する。 このモデルを、他の6つの機械学習および信号処理アプローチと比較した。 健常者の平均年齢68.05 y(5.02ドル)の健常者18名を対象に,手動による脳波記録のトレーニングを行った。 健常者6名から平均年齢68.33 y (4.08) の26件の録音を行い, 45%のエポック含有アーティファクトについて検討した。 CNN-CBAMは受信機動作特性曲線(0.88)、感度(0.81)、特異性(0.86)において他の手法と比較して高い面積を達成した。 CNN-CBAMから得られたアテンションマップはエポック内の局所的なアーティファクトを0.71の感度と0.67の特異性でマッピングした。 この研究は、ウェアラブル睡眠脳波におけるアーティファクトの検出とローカライズを自動化する可能性を示している。

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)
• SMILE-UHURA Challenge -- Small Vessel Segmentation at Mesoscopic Scale from Ultra-High Resolution 7T Magnetic Resonance Angiograms [60.35639972035727]
  公開されている注釈付きデータセットの欠如は、堅牢で機械学習駆動のセグメンテーションアルゴリズムの開発を妨げている。 SMILE-UHURAチャレンジは、7T MRIで取得したTime-of-Flightアンジオグラフィーの注釈付きデータセットを提供することで、公開されている注釈付きデータセットのギャップに対処する。 Diceスコアは、それぞれのデータセットで0.838 $pm$0.066と0.716 $pm$ 0.125まで到達し、平均パフォーマンスは0.804 $pm$ 0.15までになった。
  論文  参考訳（メタデータ） (2024-11-14T17:06:00Z)
• EMAHA-DB1: A New Upper Limb sEMG Dataset for Classification of Activities of Daily Living [8.854624631197941]
  データセットは、22のアクティビティを実行しながら、25人の有能な被験者から取得される。 5つのFAABOSカテゴリーの最先端の分類精度は83:21%である。 開発されたデータセットは、様々な分類方法のベンチマークとして使用することができる。
  論文  参考訳（メタデータ） (2023-01-09T13:20:45Z)
• DriPP: Driven Point Processes to Model Stimuli Induced Patterns in M/EEG Signals [62.997667081978825]
  我々はDriPPと呼ばれる新しい統計点過程モデルを開発する。 我々は、このモデルのパラメータを推定するために、高速で原理化された予測最大化(EM)アルゴリズムを導出する。 標準MEGデータセットの結果から,我々の手法が事象関連ニューラルレスポンスを明らかにすることが示された。
  論文  参考訳（メタデータ） (2021-12-08T13:07:21Z)
• Osteoporosis Prescreening using Panoramic Radiographs through a Deep Convolutional Neural Network with Attention Mechanism [65.70943212672023]
  注意モジュールを持つディープ畳み込みニューラルネットワーク(CNN)はパノラマX線写真上で骨粗しょう症を検出することができる。 49歳から60歳までの70種類のパノラマX線写真(PR)のデータセットを用いて検討した。
  論文  参考訳（メタデータ） (2021-10-19T00:03:57Z)
• SOUL: An Energy-Efficient Unsupervised Online Learning Seizure Detection Classifier [68.8204255655161]
  神経活動を記録して発作を検出するインプラントデバイスは、発作を抑えるために警告を発したり神経刺激を誘発したりするために採用されている。 移植可能な発作検出システムでは、低出力で最先端のオンライン学習アルゴリズムを使用して、神経信号のドリフトに動的に適応することができる。 SOULはTSMCの28nmプロセスで0.1mm2を占め、1.5nJ/分級エネルギー効率を実現した。
  論文  参考訳（メタデータ） (2021-10-01T23:01:20Z)
• EEG-based Cross-Subject Driver Drowsiness Recognition with an Interpretable Convolutional Neural Network [0.0]
  我々は,新しい畳み込みニューラルネットワークと解釈手法を組み合わせることで,分類の重要な特徴のサンプルワイズ分析を可能にする。 その結果,11名の被験者に対して平均78.35%の精度が得られた。
  論文  参考訳（メタデータ） (2021-05-30T14:47:20Z)
• Identification of Ischemic Heart Disease by using machine learning technique based on parameters measuring Heart Rate Variability [50.591267188664666]
  本研究は,243名の非侵襲的特徴(年齢,性別,左室容積率,HRV15)を用いて,一連のANNの訓練と評価を行った。 最高の結果は、7つの入力パラメータと7つの隠れノードを使用して、トレーニングと検証データセットに対して98.9%と82%の精度で得られた。
  論文  参考訳（メタデータ） (2020-10-29T19:14:41Z)
• DENS-ECG: A Deep Learning Approach for ECG Signal Delineation [15.648061765081264]
  本稿では,心拍のリアルタイムセグメンテーションのためのディープラーニングモデルを提案する。 提案アルゴリズムはDENS-ECGアルゴリズムと呼ばれ、畳み込みニューラルネットワーク(CNN)と長短期記憶(LSTM)モデルを組み合わせたものである。
  論文  参考訳（メタデータ） (2020-05-18T13:13:41Z)
• Detection of Obstructive Sleep Apnoea Using Features Extracted from Segmented Time-Series ECG Signals Using a One Dimensional Convolutional Neural Network [0.19686770963118383]
  本研究は,単チャンネル心電図(ECG)信号から得られた閉塞性睡眠時無呼吸症(OSA)の自動検出を目的とした1次元畳み込みニューラルネットワーク(1DCNN)モデルを提案する。 このモデルは、畳み込み、最大プール層と、隠蔽層とSoftMax出力からなる完全に接続された多層パーセプトロン(MLP)を用いて構成されている。 これは、モデルが高い精度でApnoeaの存在を識別できることを示している。
  論文  参考訳（メタデータ） (2020-02-03T15:47:00Z)
• DeepBeat: A multi-task deep learning approach to assess signal quality and arrhythmia detection in wearable devices [0.0]
  我々は、心房細動(AF)のリアルタイム検出のためのウェアラブル光胸腺撮影装置における信号品質と不整脈事象検出のマルチタスク深層学習法を開発した。 我々は,3つのウェアラブルデバイスから100人以上の個人から,500万以上のラベル付き信号を収集したデータセット上で,ラベル付けされていない生理的信号と微調整をシミュレーションした100万以上のアルゴリズムをトレーニングした。 2段階のトレーニングは、大規模な注釈付きデータセットが不足しているバイオメディカルアプリケーションに共通する不均衡なデータ問題に対処する上で有効であることを示す。
  論文  参考訳（メタデータ） (2020-01-01T07:41:28Z)

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。