論文の概要: A Spatio-Temporal Feature Fusion EEG Virtual Channel Signal Generation Network and Its Application in Anxiety Assessment

• arxiv url: http://arxiv.org/abs/2509.19334v1
• Date: Mon, 15 Sep 2025 03:18:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-25 20:53:19.484243
• Title: A Spatio-Temporal Feature Fusion EEG Virtual Channel Signal Generation Network and Its Application in Anxiety Assessment
• Title（参考訳）: 時空間特徴融合脳波仮想チャネル信号生成ネットワークとその不安評価への応用
• Authors: Shangqing Yuan, Wenshuang Zhai, Shengwen Guo,
• Abstract要約: 本研究では,新しい時間的特徴融合戦略を用いた脳波仮想チャネル信号生成ネットワークについて検討する。 4つの前頭葉チャネルからの脳波信号に基づいて、このネットワークは、他の13の重要な脳領域に対する仮想脳波信号を生成することを目的としている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: To address the issue of limited channels and insufficient information collection in portable EEG devices, this study explores an EEG virtual channel signal generation network using a novel spatio-temporal feature fusion strategy. Based on the EEG signals from four frontal lobe channels, the network aims to generate virtual channel EEG signals for other 13 important brain regions. The architecture of the network is a two-dimensional convolutional neural network and it includes a parallel module for temporal and spatial domain feature extraction, followed by a feature fusion module. The public PRED+CT database, which includes multi-channel EEG signals from 119 subjects, was selected to verify the constructed network. The results showed that the average correlation coefficient between the generated virtual channel EEG signals and the original real signals was 0.6724, with an average absolute error of 3.9470. Furthermore, the 13 virtual channel EEG signals were combined with the original EEG signals of four brain regions and then used for anxiety classification with a support vector machine. The results indicate that the virtual EEG signals generated by the constructed network not only have a high degree of consistency with the real channel EEG signals but also significantly enhance the performance of machine learning algorithms for anxiety classification. This study effectively alleviates the problem of insufficient information acquisition by portable EEG devices with few channels.
• Abstract（参考訳）: 携帯型脳波デバイスにおける限られたチャネルと不十分な情報収集の問題に対処するため,新しい時空間的特徴融合戦略を用いて,脳波仮想チャネル信号生成ネットワークを探索する。 4つの前頭葉チャネルからの脳波信号に基づいて、このネットワークは、他の13の重要な脳領域に対する仮想脳波信号を生成することを目的としている。 ネットワークのアーキテクチャは2次元畳み込みニューラルネットワークであり、時間的および空間的領域の特徴抽出のための並列モジュールと、特徴融合モジュールを含んでいる。 119人の被験者の多チャンネル脳波信号を含む公開PreD+CTデータベースを選択し,構築されたネットワークを検証した。 その結果,生成した仮想チャネルEEG信号の平均相関係数は0.6724であり,絶対誤差は3.9470であった。 さらに、13の仮想チャネル脳波信号と4つの脳領域の脳波信号とを組み合わせて、サポートベクターマシンによる不安分類に使用した。 その結果,構築ネットワークが生成した仮想脳波信号は,実チャネルの脳波信号と高い整合性を持つだけでなく,不安分類のための機械学習アルゴリズムの性能を大幅に向上させることがわかった。 本研究は,チャンネルが少ない携帯型脳波装置による情報取得の難しさを効果的に軽減するものである。

関連論文リスト

• 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)
• You Only Acquire Sparse-channel (YOAS): A Unified Framework for Dense-channel EEG Generation [7.507775056200206]
  スパースチャネル脳波信号から高密度チャネルデータを生成するためのフレームワークを開発する。 YOASは、データ準備、データ前処理、バイアスドEEG生成、合成EEG生成の4段階からなる。 疎チャネルデータから高密度チャネルEEG信号を生成するこのブレークスルーは、EEG信号処理と応用の新たな道を開く。
  論文  参考訳（メタデータ） (2024-06-21T16:04:14Z)
• Physics-informed and Unsupervised Riemannian Domain Adaptation for Machine Learning on Heterogeneous EEG Datasets [53.367212596352324]
  脳波信号物理を利用した教師なし手法を提案する。 脳波チャンネルをフィールド、ソースフリーなドメイン適応を用いて固定位置にマッピングする。 提案手法は脳-コンピュータインタフェース(BCI)タスクおよび潜在的なバイオマーカー応用におけるロバストな性能を示す。
  論文  参考訳（メタデータ） (2024-03-07T16:17:33Z)
• 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)
• Learning Signal Representations for EEG Cross-Subject Channel Selection and Trial Classification [0.3553493344868413]
  脳波記録の主観非依存チャネル選択のためのアルゴリズムを提案する。 チャネル固有の1D-畳み込みニューラルネットワーク(1D-CNN)を教師付き方法で特徴抽出器として利用し、クラス分離性を最大化する。 トレーニング後、選択されたチャネル固有の1D-CNNのパラメータ化されたサブグループのみを新しい被験者からの新たな信号に転送することで、アルゴリズムを活用できる。
  論文  参考訳（メタデータ） (2021-06-20T06:22:16Z)
• 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)
• Emotional EEG Classification using Connectivity Features and Convolutional Neural Networks [81.74442855155843]
  CNNと脳のつながりを利用した新しい分類システムを導入し,その効果を感情映像分類により検証する。 対象映像の感情的特性に関連する脳接続の集中度は分類性能と相関する。
  論文  参考訳（メタデータ） (2021-01-18T13:28:08Z)
• Data-Driven Symbol Detection via Model-Based Machine Learning [117.58188185409904]
  機械学習(ML)とモデルベースアルゴリズムを組み合わせた,検出設計のシンボル化を目的とした,データ駆動型フレームワークについてレビューする。 このハイブリッドアプローチでは、よく知られたチャネルモデルに基づくアルゴリズムをMLベースのアルゴリズムで拡張し、チャネルモデル依存性を除去する。 提案手法は, 正確なチャネル入出力統計関係を知らなくても, モデルベースアルゴリズムのほぼ最適性能が得られることを示す。
  論文  参考訳（メタデータ） (2020-02-14T06:58:27Z)

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。