論文の概要: Synthetic EEG Generation using Diffusion Models for Motor Imagery Tasks

• arxiv url: http://arxiv.org/abs/2510.17832v1
• Date: Fri, 03 Oct 2025 02:02:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-26 16:57:26.495661
• Title: Synthetic EEG Generation using Diffusion Models for Motor Imagery Tasks
• Title（参考訳）: 拡散モデルを用いた運動画像タスクのための合成脳波生成
• Authors: Henrique de Lima Alexandre, Clodoaldo Aparecido de Moraes Lima,
• Abstract要約: 本研究では,運動画像脳のタスクに関連する合成脳波信号を生成する手法を提案する。 このアプローチでは、実際のEEGデータを前処理し、拡散モデルをトレーニングして、ノイズからEEGチャネルを再構築し、生成された信号の品質を評価する。 生成したデータは95%以上の分類精度を達成し,平均二乗誤差が低く,実信号との相関が高かった。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Electroencephalography (EEG) is a widely used, non-invasive method for capturing brain activity, and is particularly relevant for applications in Brain-Computer Interfaces (BCI). However, collecting high-quality EEG data remains a major challenge due to sensor costs, acquisition time, and inter-subject variability. To address these limitations, this study proposes a methodology for generating synthetic EEG signals associated with motor imagery brain tasks using Diffusion Probabilistic Models (DDPM). The approach involves preprocessing real EEG data, training a diffusion model to reconstruct EEG channels from noise, and evaluating the quality of the generated signals through both signal-level and task-level metrics. For validation, we employed classifiers such as K-Nearest Neighbors (KNN), Convolutional Neural Networks (CNN), and U-Net to compare the performance of synthetic data against real data in classification tasks. The generated data achieved classification accuracies above 95%, with low mean squared error and high correlation with real signals. Our results demonstrate that synthetic EEG signals produced by diffusion models can effectively complement datasets, improving classification performance in EEG-based BCIs and addressing data scarcity.
• Abstract（参考訳）: 脳波(EEG)は脳活動の捉え方として広く用いられ、特に脳-コンピュータ・インタフェース(BCI)の応用に関係している。 しかし、センサコスト、取得時間、オブジェクト間のばらつきのため、高品質なEEGデータ収集は依然として大きな課題である。 これらの制約に対処するため,Diffusion Probabilistic Models (DDPM) を用いて運動画像脳タスクに関連する合成脳波信号を生成する手法を提案する。 このアプローチでは、実際のEEGデータを前処理し、拡散モデルをトレーニングして、ノイズからEEGチャネルを再構築し、信号レベルとタスクレベルの両方のメトリクスを通じて生成された信号の品質を評価する。 検証には、K-Nearest Neighbors (KNN)、Convolutional Neural Networks (CNN)、U-Netといった分類器を用いて、分類タスクにおける実データと比較した。 生成したデータは95%以上の分類精度を達成し,平均二乗誤差が低く,実信号との相関が高かった。 その結果,拡散モデルにより生成された合成脳波信号は,データセットを効果的に補完し,脳波に基づくBCIの分類性能を改善し,データ不足に対処できることが示唆された。

関連論文リスト

• CEReBrO: Compact Encoder for Representations of Brain Oscillations Using Efficient Alternating Attention [46.47343031985037]
  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)
• CognitionCapturer: Decoding Visual Stimuli From Human EEG Signal With Multimodal Information [61.1904164368732]
  脳波信号の表現にマルチモーダルデータを完全に活用する統合フレームワークであるCognitionCapturerを提案する。 具体的には、CognitionCapturerは、各モダリティに対してモダリティエキスパートを訓練し、EEGモダリティからモダリティ情報を抽出する。 このフレームワークは生成モデルの微調整を一切必要とせず、より多くのモダリティを組み込むように拡張することができる。
  論文  参考訳（メタデータ） (2024-12-13T16:27:54Z)
• Improving EEG Classification Through Randomly Reassembling Original and Generated Data with Transformer-based Diffusion Models [12.703528969668062]
  本稿では,トランスフォーマーを用いた拡散確率モデルとデータに基づく拡張手法を提案する。 脳波信号の特徴として,信号の事前処理を行う定数要素スケーリング手法を提案する。 提案手法は,生成したデータを時間領域の原データでランダムに再集合し,ビジナルデータを取得する。
  論文  参考訳（メタデータ） (2024-07-20T06:58:14Z)
• hvEEGNet: exploiting hierarchical VAEs on EEG data for neuroscience applications [3.031375888004876]
  脳波の既存のDLベースのモデリング手法に2つの課題がある。 被験者間の高いばらつきと低信号対雑音比は、脳波データの良好な品質を確保するのを困難にしている。 本稿では,高忠実度脳波再構成問題を対象とした2つの変分オートエンコーダモデル,すなわちvEEGNet-ver3とhvEEGNetを提案する。
  論文  参考訳（メタデータ） (2023-11-20T15:36:31Z)
• 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)
• EEG Synthetic Data Generation Using Probabilistic Diffusion Models [0.0]
  本研究では,拡散確率モデルを用いて合成脳波データを生成する,データ拡張のための高度な手法を提案する。 脳波記録の電極周波数分布マップ(EFDM)から合成データを生成する。 提案手法は、大規模で公開可能な人工脳波データセットの作成を可能にすることにより、より広い分野の神経科学研究に潜在的に影響を及ぼす可能性がある。
  論文  参考訳（メタデータ） (2023-03-06T12:03:22Z)
• GANSER: A Self-supervised Data Augmentation Framework for EEG-based Emotion Recognition [15.812231441367022]
  本稿では,GANSER(Generative Adversarial Network-based Self-supervised Data Augmentation)という新しいデータ拡張フレームワークを提案する。 脳波に基づく感情認識のための自己教師型学習と対人訓練を併用する最初の試みとして、提案フレームワークは高品質な模擬脳波サンプルを生成することができる。 変換関数は、脳波信号の一部を隠蔽し、生成元に残りの部分に基づいて潜在的な脳波信号を合成させる。
  論文  参考訳（メタデータ） (2021-09-07T14:42:55Z)
• 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)

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。