論文の概要: A Statistical Mixture-of-Experts Framework for EMG Artifact Removal in EEG: Empirical Insights and a Proof-of-Concept Application

• arxiv url: http://arxiv.org/abs/2509.19385v1
• Date: Sun, 21 Sep 2025 17:39:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-25 20:53:19.53389
• Title: A Statistical Mixture-of-Experts Framework for EMG Artifact Removal in EEG: Empirical Insights and a Proof-of-Concept Application
• Title（参考訳）: 脳波における筋電図アーチファクト除去のための統計的混合フレームワーク:実証的考察と概念実証への応用
• Authors: Benjamin J. Choi, Griffin Milsap, Clara A. Scholl, Francesco Tenore, Mattson Ogg,
• Abstract要約: 現状の脳波計測法(EMG)は,高雑音条件下で準最適に機能する。 本稿では,新しいMix-of-Experts(MoE)フレームワークによって駆動される信号フィルタリングアルゴリズムを提案する。 提案アルゴリズムは,脳波-EMGデノベーション問題に対する3つの新しい統計的洞察を利用する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Effective control of neural interfaces is limited by poor signal quality. While neural network-based electroencephalography (EEG) denoising methods for electromyogenic (EMG) artifacts have improved in recent years, current state-of-the-art (SOTA) models perform suboptimally in settings with high noise. To address the shortcomings of current machine learning (ML)-based denoising algorithms, we present a signal filtration algorithm driven by a new mixture-of-experts (MoE) framework. Our algorithm leverages three new statistical insights into the EEG-EMG denoising problem: (1) EMG artifacts can be partitioned into quantifiable subtypes to aid downstream MoE classification, (2) local experts trained on narrower signal-to-noise ratio (SNR) ranges can achieve performance increases through specialization, and (3) correlation-based objective functions, in conjunction with rescaling algorithms, can enable faster convergence in a neural network-based denoising context. We empirically demonstrate these three insights into EMG artifact removal and use our findings to create a new downstream MoE denoising algorithm consisting of convolutional (CNN) and recurrent (RNN) neural networks. We tested all results on a major benchmark dataset (EEGdenoiseNet) collected from 67 subjects. We found that our MoE denoising model achieved competitive overall performance with SOTA ML denoising algorithms and superior lower bound performance in high noise settings. These preliminary results highlight the promise of our MoE framework for enabling advances in EMG artifact removal for EEG processing, especially in high noise settings. Further research and development will be necessary to assess our MoE framework on a wider range of real-world test cases and explore its downstream potential to unlock more effective neural interfaces.
• Abstract（参考訳）: ニューラルネットワークの効果的な制御は、信号品質の低下によって制限される。 近年,脳波を用いた脳波計測(EEG)が改良されているのに対し,現状のSOTAモデルではノイズの高い環境下では準最適に動作している。 機械学習(ML)に基づく復調アルゴリズムの欠点に対処するため,新しいMix-of-experts(MoE)フレームワークによって駆動される信号フィルタリングアルゴリズムを提案する。 EMGアーティファクトは、下流のMoE分類を支援するために定量化されたサブタイプに分割することができ、(2)狭い信号-雑音比(SNR)の範囲で訓練されたローカル専門家は、特殊化によってパフォーマンスの向上を達成でき、(3)相関に基づく目的関数は、再スケーリングアルゴリズムとともに、ニューラルネットワークベースの認知コンテキストにおけるより高速な収束を可能にする。 我々は、EMGアーチファクト除去に関するこれらの3つの知見を実証的に実証し、我々の発見を用いて、畳み込み(CNN)と繰り返し(RNN)ニューラルネットワークからなる新しい下流MoE復調アルゴリズムを作成する。 67名の被験者から収集した主要なベンチマークデータセット(EEGdenoiseNet)で,すべての結果を検証した。 我々のMoE復調モデルは,SOTA ML復調アルゴリズムと高い雑音条件下での低境界性能で総合的な性能を達成した。 これらの予備的な結果は、特に高雑音環境において、脳波処理のためのEMGアーチファクト除去の進歩を可能にするためのMoEフレームワークの約束を強調している。 さらなる研究と開発は、MoEフレームワークを現実世界のテストケースの幅広い範囲で評価し、より効果的なニューラルネットワークを解き放つための下流の可能性を探るために必要である。

関連論文リスト

• Removing Neural Signal Artifacts with Autoencoder-Targeted Adversarial Transformers (AT-AT) [0.0]
  オートエンコーダをターゲットとした対向変換器(AT-AT)を用いて脳波データからEMG干渉をフィルタリングする機械学習システムを提案する。 67名の被験者から公開された神経データを用いてAT-ATをトレーニングしたところ、システムはより大きなモデルに匹敵するテスト性能を達成できたことがわかった。
  論文  参考訳（メタデータ） (2025-02-07T21:13:31Z)
• 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)
• MSEMG: Surface Electromyography Denoising with a Mamba-based Efficient Network [21.596126531908908]
  表面筋電図(sEMG)記録は、監視された筋肉が心臓に閉じているときに心電図(ECG)信号によって汚染される。 我々は,Mamba状態空間モデルと畳み込みニューラルネットワークを統合し,軽量なsEMG復調モデルとして機能する新しいシステムであるMSEMGを紹介する。
  論文  参考訳（メタデータ） (2024-11-28T04:25:28Z)
• Efficient Noise Mitigation for Enhancing Inference Accuracy in DNNs on Mixed-Signal Accelerators [4.416800723562206]
  我々は、アナログニューラルネットワークの精度に基づいて、プロセス誘起および老化に関連するアナログコンピューティングコンポーネントのバリエーションをモデル化する。 事前学習モデルの選択した層間に挿入された遮音ブロックを導入する。 雑音レベルに対するモデルのロバスト性を大幅に向上させることを実証した。
  論文  参考訳（メタデータ） (2024-09-27T08:45:55Z)
• Pre-training via Denoising for Molecular Property Prediction [53.409242538744444]
  本稿では,3次元分子構造の大規模データセットを平衡に利用した事前学習手法について述べる。 近年のノイズレギュラー化の進展に触発されて, 事前学習の目的は, 雑音の除去に基づくものである。
  論文  参考訳（メタデータ） (2022-05-31T22:28:34Z)
• Zero-shot Blind Image Denoising via Implicit Neural Representations [77.79032012459243]
  暗黙的ニューラル表現(INR)のアーキテクチャ的帰納的バイアスを利用した代替的認知戦略を提案する。 提案手法は,低雑音シナリオや実雑音シナリオの広い範囲において,既存のゼロショット復調手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-04-05T12:46:36Z)
• A SAR speckle filter based on Residual Convolutional Neural Networks [68.8204255655161]
  本研究では,Convolutional Neural Networks(CNN)に基づく深層学習(DL)アルゴリズムを用いて,Sentinel-1データからスペックルノイズをフィルタリングする新しい手法を提案する。 得られた結果は、技術の現状と比較すると、ピーク信号対雑音比(PSNR)と構造類似度指数(SSIM)の点で明確な改善を示しています。
  論文  参考訳（メタデータ） (2021-04-19T14:43:07Z)
• Orthogonal Features Based EEG Signals Denoising Using Fractional and Compressed One-Dimensional CNN AutoEncoder [3.8580784887142774]
  本稿では脳波(EEG)信号の分数的1次元畳み込みニューラルネットワーク(CNN)オートエンコーダを提案する。 脳波信号は、主に筋肉アーチファクト(MA)によって、記録過程中にしばしばノイズによって汚染される。
  論文  参考訳（メタデータ） (2021-04-16T13:58:05Z)

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。