論文の概要: IMU-Enhanced EEG Motion Artifact Removal with Fine-Tuned Large Brain Models

• arxiv url: http://arxiv.org/abs/2509.01073v1
• Date: Mon, 01 Sep 2025 02:29:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-04 15:17:03.528697
• Title: IMU-Enhanced EEG Motion Artifact Removal with Fine-Tuned Large Brain Models
• Title（参考訳）: 微調整大脳モデルを用いたIMUによる脳波運動アーチファクト除去
• Authors: Yuhong Zhang, Xusheng Zhu, Yuchen Xu, ChiaEn Lu, Hsinyu Shih, Gert Cauwenberghs, Tzyy-Ping Jung,
• Abstract要約: 脳波信号は、生理的および環境的アーティファクトからの汚染のため、しばしば低信号対ノイズ比を示す。 本研究は,脳波信号の運動関連アーティファクトを特定するための,微調整型大脳モデル(LaBraM)に基づく相関注意マッピング手法を提案する。 IMU参照信号の導入は,様々な動作シナリオにおいて,ロバスト性を大幅に向上させることを示す。
• 参考スコア（独自算出の注目度）: 6.611531256245718
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Electroencephalography (EEG) is a non-invasive method for measuring brain activity with high temporal resolution; however, EEG signals often exhibit low signal-to-noise ratios because of contamination from physiological and environmental artifacts. One of the major challenges hindering the real-world deployment of brain-computer interfaces (BCIs) involves the frequent occurrence of motion-related EEG artifacts. Most prior studies on EEG motion artifact removal rely on single-modality approaches, such as Artifact Subspace Reconstruction (ASR) and Independent Component Analysis (ICA), without incorporating simultaneously recorded modalities like inertial measurement units (IMUs), which directly capture the extent and dynamics of motion. This work proposes a fine-tuned large brain model (LaBraM)-based correlation attention mapping method that leverages spatial channel relationships in IMU data to identify motion-related artifacts in EEG signals. The fine-tuned model contains approximately 9.2 million parameters and uses 5.9 hours of EEG and IMU recordings for training, just 0.2346\% of the 2500 hours used to train the base model. We compare our results against the established ASR-ICA benchmark across varying time scales and motion activities, showing that incorporating IMU reference signals significantly improves robustness under diverse motion scenarios.
• Abstract（参考訳）: 脳波検査(EEG)は、高時間分解能で脳活動を測定する非侵襲的な方法であるが、生理的および環境的アーティファクトからの汚染により、脳波信号は低信号-雑音比を示すことが多い。 脳-コンピュータインタフェース(BCI)の実際の展開を妨げる大きな課題の1つは、運動関連脳波アーチファクトの頻繁な発生である。 脳波の運動アーティファクト除去に関するこれまでの研究は、運動の程度とダイナミクスを直接キャプチャする慣性測定ユニット(IMU)のような同時記録されたモダリティを組み込むことなく、Artifact Subspace Reconstruction(ASR)やIndependent Component Analysis(ICA)のような単一モダリティのアプローチに依存していた。 本研究では、IMUデータにおける空間チャネル関係を利用して脳波信号の運動関連アーティファクトを同定する、微調整大脳モデル(LaBraM)に基づく相関注意マッピング手法を提案する。 微調整されたモデルにはおよそ9.2百万のパラメータが含まれ、トレーニングにEEGとIMUの記録を5.9時間使用しており、ベースモデルのトレーニングに使用される2500時間のうちわずか0.2346\%である。 IMU参照信号の導入は,様々な動作シナリオにおいて,ロバスト性を大幅に向上させることを示す。

関連論文リスト

• EEGDM: EEG Representation Learning via Generative Diffusion Model [17.595769291603688]
  生成拡散モデル(EEGDM)に基づく脳波表現学習フレームワークを提案する。 具体的には,拡散事前学習のための構造化状態空間モデルを開発し,DDPM(Denoising Diffusion Probabilistic Model)フレームワークを用いて学習を行った。 提案した潜時核融合変換器 (LFT) を用いた下流分類作業において, 得られた潜時脳波表現を用いた。
  論文  参考訳（メタデータ） (2025-08-13T14:40:52Z)
• BrainOmni: A Brain Foundation Model for Unified EEG and MEG Signals [50.76802709706976]
  異種脳波とMEG記録を対象とする脳基礎モデルBrain Omniを提案する。 多様なデータソースを統一するために、脳の活動を離散表現に定量化する最初のトークンであるBrainTokenizerを紹介します。 EEGの合計1,997時間、MEGデータの656時間は、事前トレーニングのために公開されているソースからキュレーションされ、標準化されている。
  論文  参考訳（メタデータ） (2025-05-18T14:07:14Z)
• Time-varying EEG spectral power predicts evoked and spontaneous fMRI motor brain activity [4.2991900707527915]
  脳波-fMRI同時記録は、fMRI信号と脳波信号の相補的な高空間分解能と高時間分解能をそれぞれ利用することにより、脳活動の研究にますます利用されている。 本稿では,Sparse Group Lasso正則化を用いた個別被験者を対象とした解釈モデルを用いて,運動脳ネットワークのタスク誘発信号と自発fMRI信号の両方を予測できるかどうかを検討する。
  論文  参考訳（メタデータ） (2025-04-14T22:54:41Z)
• 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)
• EEG-SSM: Leveraging State-Space Model for Dementia Detection [21.67998806043568]
  ステートスペースモデル(SSM)は、長いデータシーケンスを効果的に処理するために注目を集めている。 本研究では,脳波データを用いた認知症分類のための状態空間モデルに基づく新しいアプローチであるEEG-SSMを紹介する。
  論文  参考訳（メタデータ） (2024-07-25T06:20:03Z)
• 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)
• Continuous Decoding of Daily-Life Hand Movements from Forearm Muscle Activity for Enhanced Myoelectric Control of Hand Prostheses [78.120734120667]
  本研究では,前腕のEMG活性をハンドキネマティクスに連続的にマップする,長期記憶(LSTM)ネットワークに基づく新しい手法を提案する。 私たちの研究は、この困難なデータセットを使用するハンドキネマティクスの予測に関する最初の報告です。 提案手法は, 人工手指の複数のDOFの独立的, 比例的アクティベーションのための制御信号の生成に適していることが示唆された。
  論文  参考訳（メタデータ） (2021-04-29T00:11:32Z)

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。