論文の概要: Investigating the Impact of Rational Dilated Wavelet Transform on Motor Imagery EEG Decoding with Deep Learning Models

• arxiv url: http://arxiv.org/abs/2510.09242v1
• Date: Fri, 10 Oct 2025 10:31:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-14 00:38:48.701752
• Title: Investigating the Impact of Rational Dilated Wavelet Transform on Motor Imagery EEG Decoding with Deep Learning Models
• Title（参考訳）: 深層学習モデルを用いた運動画像脳波デコーディングにおける有理拡張ウェーブレット変換の影響の検討
• Authors: Marco Siino, Giuseppe Bonomo, Rosario Sorbello, Ilenia Tinnirello,
• Abstract要約: Rational Discrete Wavelet Transform (RDWT) は、運動画像脳波(EEG)デコードのためのプラグイン前処理ステップとして使用される。 この評価は、High Gamma、BCI-IV-2a、BCI-IV-2bの3つのベンチマークデータセットで実施された。
• 参考スコア（独自算出の注目度）: 1.4069478981641936
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The present study investigates the impact of the Rational Discrete Wavelet Transform (RDWT), used as a plug-in preprocessing step for motor imagery electroencephalographic (EEG) decoding prior to applying deep learning classifiers. A systematic paired evaluation (with/without RDWT) is conducted on four state-of-the-art deep learning architectures: EEGNet, ShallowConvNet, MBEEG\_SENet, and EEGTCNet. This evaluation was carried out across three benchmark datasets: High Gamma, BCI-IV-2a, and BCI-IV-2b. The performance of the RDWT is reported with subject-wise averages using accuracy and Cohen's kappa, complemented by subject-level analyses to identify when RDWT is beneficial. On BCI-IV-2a, RDWT yields clear average gains for EEGTCNet (+4.44 percentage points, pp; kappa +0.059) and MBEEG\_SENet (+2.23 pp; +0.030), with smaller improvements for EEGNet (+2.08 pp; +0.027) and ShallowConvNet (+0.58 pp; +0.008). On BCI-IV-2b, the enhancements observed are modest yet consistent for EEGNet (+0.21 pp; +0.044) and EEGTCNet (+0.28 pp; +0.077). On HGD, average effects are modest to positive, with the most significant gain observed for MBEEG\_SENet (+1.65 pp; +0.022), followed by EEGNet (+0.76 pp; +0.010) and EEGTCNet (+0.54 pp; +0.008). Inspection of the subject material reveals significant enhancements in challenging recordings (e.g., non-stationary sessions), indicating that RDWT can mitigate localized noise and enhance rhythm-specific information. In conclusion, RDWT is shown to be a low-overhead, architecture-aware preprocessing technique that can yield tangible gains in accuracy and agreement for deep model families and challenging subjects.
• Abstract（参考訳）: 本研究では, 深層学習分類に先立って, 動画像脳波復号法(EEG)のプラグイン前処理ステップであるRDWT(Rational Discrete Wavelet Transform)の効果について検討した。 EEGNet、ShallowConvNet、MBEEG\_SENet、EEGTCNetの4つの最先端ディープラーニングアーキテクチャを用いて、体系的なペア化評価(RDWTを使用/使用)を行う。 この評価は、High Gamma、BCI-IV-2a、BCI-IV-2bの3つのベンチマークデータセットで実施された。 RDWTの性能は、精度を用いて主観的平均値で報告され、Cohen's kappaは、RDWTがいつ有用かを特定するための主観的分析によって補完される。 BCI-IV-2a では、RDWT は EEGTCNet (+4.44%、pp; kappa +0.059) と MBEEG\_SENet (+2.23 pp; +0.030) に対して明確な平均利得を得るが、EEGNet (+2.08 pp; +0.027) と ShallowConvNet (+0.58 pp; +0.008) はより小さな改善となる。 BCI-IV-2bでは、EEGNet (+0.21 pp; +0.044) とEEGTCNet (+0.28 pp; +0.077) に対して、観測された拡張は穏やかである。 HGDでは、平均効果はわずかに正であり、MBEEG\_SENet(+1.65 pp; +0.022)、EEGNet(+0.76 pp; +0.010)、EEGTCNet(+0.54 pp; +0.008)で最も顕著な利得がある。 被検材料の検査は、難聴記録(例えば、非定常セッション)の顕著な向上を示し、RDWTは局所的な雑音を緩和し、リズム固有情報を強化することができることを示す。 結論として,RDWTは,深層モデルファミリーや挑戦対象に対して,精度と合意性において有意な利得が得られる,低オーバヘッドでアーキテクチャ対応の事前処理技術であることが示されている。

関連論文リスト

• AGTCNet: A Graph-Temporal Approach for Principled Motor Imagery EEG Classification [0.0]
  本研究では,運動画像脳波(MI-EEG)分類のための新しいグラフ時間モデルAGTCNetを提案する。 49.87%のモデルサイズ減少、64.65%の推論時間、より短い入力EEG信号により、AGTCNetは被検者に依存しない分類において66.82%の移動平均精度を達成した。
  論文  参考訳（メタデータ） (2025-06-26T14:49:10Z)
• EAP-GP: Mitigating Saturation Effect in Gradient-based Automated Circuit Identification [62.611812892924156]
  飽和効果に対応するために,GradPath (EAP-GP) を用いたエッジパッチを提案する。 EAP-GPは、入力から始まり、飽和領域を避けるために、破損した入力とクリーン入力の勾配の違いの方向を適応的に追従する積分経路を導入する。 GPT-2 Small, GPT-2 Medium, GPT-2 XL を用いた6つのデータセットの EAP-GP の評価を行った。
  論文  参考訳（メタデータ） (2025-02-07T16:04:57Z)
• EEG-DCNet: A Fast and Accurate MI-EEG Dilated CNN Classification Method [10.791605945979995]
  EEG-Dilated Convolution Network (DCNet) と呼ばれる新しいマルチスケールアラス畳み込みニューラルネットワーク(CNN)モデルを提案する。 我々は1時間1ドルの畳み込み層を組み込み、EEG-DCNetのマルチブランチ並列アラス畳み込みアーキテクチャを利用する。 本稿では,EEG-DCNetが既存のSOTA(State-of-the-art)アプローチよりも,分類精度とKappaスコアの点で優れていることを示す。
  論文  参考訳（メタデータ） (2024-11-12T09:47:50Z)
• Fusing Pretrained ViTs with TCNet for Enhanced EEG Regression [0.07999703756441758]
  本稿では、脳波回帰の精度を高めるために、事前訓練された視覚変換器(ViT)と時間畳み込みネットワーク(TCNet)の統合について詳述する。 以上の結果から, 回転平均角誤差(RMSE)を55.4から51.8に低減した。 性能を犠牲にすることなく、このモデルの速度を桁違いに向上させる(最大4.32倍高速)。
  論文  参考訳（メタデータ） (2024-04-02T17:01:51Z)
• 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)
• From Environmental Sound Representation to Robustness of 2D CNN Models Against Adversarial Attacks [82.21746840893658]
  本稿では, 各種環境音響表現(スペクトログラム)が, 被害者残差畳み込みニューラルネットワークの認識性能と対角攻撃性に与える影響について検討する。 DWTスペクトログラムでトレーニングしたResNet-18モデルでは高い認識精度が得られたが、このモデルに対する攻撃は敵にとって比較的コストがかかる。
  論文  参考訳（メタデータ） (2022-04-14T15:14:08Z)
• Recurrent Glimpse-based Decoder for Detection with Transformer [85.64521612986456]
  本稿では,Recurrent Glimpse-based deoder (REGO)について紹介する。 特に、REGOは多段階のリカレント処理構造を用いて、DETRの注目が徐々に前景オブジェクトに焦点を合わせるのを助ける。 REGOは、異なるDETR検出器の性能を最大7%向上させる。
  論文  参考訳（メタデータ） (2021-12-09T00:29:19Z)
• EEG-Inception: An Accurate and Robust End-to-End Neural Network for EEG-based Motor Imagery Classification [123.93460670568554]
  本稿では,脳波に基づく運動画像(MI)分類のための新しい畳み込みニューラルネットワーク(CNN)アーキテクチャを提案する。 提案したCNNモデル、すなわちEEG-Inceptionは、Inception-Timeネットワークのバックボーン上に構築されている。 提案するネットワークは、生のEEG信号を入力とし、複雑なEEG信号前処理を必要としないため、エンドツーエンドの分類である。
  論文  参考訳（メタデータ） (2021-01-24T19:03:10Z)
• EEG-TCNet: An Accurate Temporal Convolutional Network for Embedded Motor-Imagery Brain-Machine Interfaces [15.07343602952606]
  本稿では、トレーニング可能なパラメータをほとんど必要とせず、優れた精度を実現する新しい時間畳み込みネットワーク(TCN)であるEEG-TCNetを提案する。 メモリフットプリントが低く、推論の計算量も少ないため、エッジのリソース制限されたデバイスの組み込み分類に適している。
  論文  参考訳（メタデータ） (2020-05-31T21:45:45Z)
• ECG-DelNet: Delineation of Ambulatory Electrocardiograms with Mixed Quality Labeling Using Neural Networks [69.25956542388653]
  ディープラーニング(DL)アルゴリズムは、学術的、産業的にも重くなっている。 セグメンテーションフレームワークにECGの検出とデライン化を組み込むことにより、低解釈タスクにDLをうまく適用できることを実証する。 このモデルは、PhyloNetのQTデータベースを使用して、105個の増幅ECG記録から訓練された。
  論文  参考訳（メタデータ） (2020-05-11T16:29:12Z)

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。