論文の概要: Convolutional Monge Mapping between EEG Datasets to Support Independent Component Labeling
- arxiv url: http://arxiv.org/abs/2509.01721v1
- Date: Mon, 01 Sep 2025 19:01:14 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-09-04 15:17:03.82582
- Title: Convolutional Monge Mapping between EEG Datasets to Support Independent Component Labeling
- Title（参考訳）: 独立成分ラベル作成を支援する脳波データセット間の畳み込みモンジマッピング
- Authors: Austin Meek, Carlos H. Mendoza-Cardenas, Austin J. Brockmeier,
- Abstract要約: 脳波記録は神経活動に関する豊富な情報を含んでいる。
それらは、センサー、アンプ、フィルタリングによる人工物、ノイズ、表面的な違いを被る。
独立コンポーネント分析と独立コンポーネントの自動ラベリングは、EEGパイプラインにおけるアーティファクトの除去を可能にする。
- 参考スコア（独自算出の注目度）: 0.45880283710344066
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: EEG recordings contain rich information about neural activity but are subject to artifacts, noise, and superficial differences due to sensors, amplifiers, and filtering. Independent component analysis and automatic labeling of independent components (ICs) enable artifact removal in EEG pipelines. Convolutional Monge Mapping Normalization (CMMN) is a recent tool used to achieve spectral conformity of EEG signals, which was shown to improve deep neural network approaches for sleep staging. Here we propose a novel extension of the CMMN method with two alternative approaches to computing the source reference spectrum the target signals are mapped to: (1) channel-averaged and $l_1$-normalized barycenter, and (2) a subject-to-subject mapping that finds the source subject with the closest spectrum to the target subject. Notably, our extension yields space-time separable filters that can be used to map between datasets with different numbers of EEG channels. We apply these filters in an IC classification task, and show significant improvement in recognizing brain versus non-brain ICs. Clinical relevance - EEG recordings are used in the diagnosis and monitoring of multiple neuropathologies, including epilepsy and psychosis. While EEG analysis can benefit from automating artifact removal through independent component analysis and labeling, differences in recording equipment and context (the presence of noise from electrical wiring and other devices) may impact the performance of machine learning models, but these differences can be minimized by appropriate spectral normalization through filtering.
- Abstract（参考訳）: 脳波記録には、神経活動に関する豊富な情報が含まれているが、センサー、アンプ、フィルタリングによる人工物、ノイズ、表面的な差異がある。
独立コンポーネント分析と独立コンポーネントの自動ラベリングは、EEGパイプラインにおけるアーティファクトの除去を可能にする。
畳み込みモンジマッピング正規化(CMMN)は、脳波信号のスペクトル整合性を達成するための最近のツールであり、睡眠ステージングのためのディープニューラルネットワークアプローチを改善することが示されている。
本稿では,CMMN手法の新たな拡張法として,(1)チャネル平均化および$l_1$正規化バリセンタ,(2)対象対象物に最も近いスペクトルを持つ対象物を求める対象物マッピングの2つの方法を提案する。
特に、我々の拡張は、異なる数のEEGチャネルを持つデータセット間のマッピングに使用できる時空間分離可能なフィルタを生成する。
我々は,これらのフィルタをIC分類タスクに適用し,脳と非脳のICの認識における大幅な改善を示す。
臨床関連性 - 脳波記録はてんかんや精神病を含む複数の神経病理の診断とモニタリングに使用される。
脳波分析は、独立成分分析とラベル付けによるアーティファクト除去の自動化の恩恵を受けるが、記録装置とコンテキストの違い(電気配線やその他の装置からのノイズの存在)は機械学習モデルの性能に影響を及ぼす可能性があるが、これらの違いはフィルタリングによる適切なスペクトル正規化によって最小化することができる。
関連論文リスト
- 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) - Multi-scale Masked Autoencoder for Electrocardiogram Anomaly Detection [5.614826802517409]
MMAE-ECGはECG信号を非重複セグメントに分割し、各セグメントは学習可能な位置埋め込みを割り当てる。
新しいマルチスケールマスキング戦略とマルチスケールアテンション機構は、異なる位置埋め込みとともに、軽量なトランスフォーマーエンコーダを実現する。
論文 参考訳（メタデータ） (2025-02-08T08:18:38Z) - Geometric Machine Learning on EEG Signals [0.0]
我々は、高次元脳波データに存在する下層の低次元幾何学構造を解明する手法を実証する。
本システムは既存の信号処理や分類ベンチマークと競合する性能を実現する。
論文 参考訳（メタデータ） (2025-02-07T21:14:48Z) - 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) - Convolutional Monge Mapping Normalization for learning on sleep data [63.22081662149488]
我々は、CMMN(Convolutional Monge Mapping Normalization)と呼ばれる新しい手法を提案する。
CMMNは、そのパワースペクトル密度(PSD)をトレーニングデータに基づいて推定されるワッサーシュタインバリセンタに適応させるために、信号をフィルタリングする。
睡眠脳波データに関する数値実験により、CMMNはニューラルネットワークアーキテクチャから独立して、顕著で一貫したパフォーマンス向上をもたらすことが示された。
論文 参考訳（メタデータ） (2023-05-30T08:24:01Z) - 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) - EEGminer: Discovering Interpretable Features of Brain Activity with
Learnable Filters [72.19032452642728]
本稿では,学習可能なフィルタと事前決定された特徴抽出モジュールからなる新しい識別可能なEEGデコーディングパイプラインを提案する。
我々は,SEEDデータセットおよび前例のない大きさの新たな脳波データセット上で,脳波信号からの感情認識に向けたモデルの有用性を実証する。
発見された特徴は、以前の神経科学の研究と一致し、音楽聴取中の左右の時間領域間の機能的接続プロファイルの顕著な相違など、新たな洞察を提供する。
論文 参考訳（メタデータ） (2021-10-19T14:22:04Z) - Subject Independent Emotion Recognition using EEG Signals Employing
Attention Driven Neural Networks [2.76240219662896]
主観非依存の感情認識が可能な新しいディープラーニングフレームワークを提案する。
タスクを実行するために、アテンションフレームワークを備えた畳み込みニューラルネットワーク(CNN)を提示する。
提案手法は、公開データセットを使用して検証されている。
論文 参考訳（メタデータ） (2021-06-07T09:41:15Z) - Automatic detection of abnormal EEG signals using wavelet feature
extraction and gradient boosting decision tree [2.924868086534434]
多チャンネル脳波記録における脳信号の自動二分分類フレームワークを提案する。
本稿では,抽出した特徴量の品質を損なうことなく,特徴空間の次元を小さくする手法を提案する。
CatBoostは87.68%のバイナリ分類精度を達成し、同じデータセットの最先端の技術を上回る。
論文 参考訳（メタデータ） (2020-12-18T03:36:52Z)
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。