論文の概要: SSL-SE-EEG: A Framework for Robust Learning from Unlabeled EEG Data with Self-Supervised Learning and Squeeze-Excitation Networks

• arxiv url: http://arxiv.org/abs/2510.19829v1
• Date: Tue, 07 Oct 2025 06:37:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-26 16:57:26.511153
• Title: SSL-SE-EEG: A Framework for Robust Learning from Unlabeled EEG Data with Self-Supervised Learning and Squeeze-Excitation Networks
• Title（参考訳）: SSL-SE-EEG: 自己教師付き学習とスクイーズ・励磁ネットワークによる未ラベル脳波データからのロバスト学習のためのフレームワーク
• Authors: Meghna Roy Chowdhury, Yi Ding, Shreyas Sen,
• Abstract要約: SSL-SE-EEGは、Squeeze-and-Excitation Networks (SE-Nets)と自己監視学習(SSL)を統合するフレームワークである。 従来の脳波処理技術とは異なり、SSL-SE-EEGは脳波信号を深層学習に適した構造化された2次元画像表現に変換する。 低消費電力でスケーラブルなEEG処理を可能にすることで、SSL-SE-EEGは、バイオメディカル信号分析、ニューラルエンジニアリング、次世代BCIのための有望なソリューションを提供する。
• 参考スコア（独自算出の注目度）: 4.966745649724561
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Electroencephalography (EEG) plays a crucial role in brain-computer interfaces (BCIs) and neurological diagnostics, but its real-world deployment faces challenges due to noise artifacts, missing data, and high annotation costs. We introduce SSL-SE-EEG, a framework that integrates Self-Supervised Learning (SSL) with Squeeze-and-Excitation Networks (SE-Nets) to enhance feature extraction, improve noise robustness, and reduce reliance on labeled data. Unlike conventional EEG processing techniques, SSL-SE-EEG} transforms EEG signals into structured 2D image representations, suitable for deep learning. Experimental validation on MindBigData, TUH-AB, SEED-IV and BCI-IV datasets demonstrates state-of-the-art accuracy (91% in MindBigData, 85% in TUH-AB), making it well-suited for real-time BCI applications. By enabling low-power, scalable EEG processing, SSL-SE-EEG presents a promising solution for biomedical signal analysis, neural engineering, and next-generation BCIs.
• Abstract（参考訳）: 脳波検査(EEG)は脳-コンピュータインターフェース(BCI)と神経学的診断において重要な役割を担っているが、実際の展開はノイズアーティファクト、欠落データ、高アノテーションコストによる課題に直面している。 SSL-SE-EEGは、Squeeze-and-Excitation Networks(SE-Nets)とSSLを統合し、特徴抽出を強化し、ノイズの堅牢性を改善し、ラベル付きデータへの依存を減らすフレームワークである。 従来の脳波処理技術とは異なり、SSL-SE-EEGは脳波信号を深層学習に適した構造化された2次元画像表現に変換する。 MindBigData、TUH-AB、SEED-IV、BCI-IVデータセットに対する実験的検証は、最先端の精度(MindBigDataは91%、TUH-ABは85%)を示し、リアルタイムBCIアプリケーションに適している。 低消費電力でスケーラブルなEEG処理を可能にすることで、SSL-SE-EEGは、バイオメディカル信号分析、ニューラルエンジニアリング、次世代BCIのための有望なソリューションを提供する。

関連論文リスト

• BrainOmni: A Brain Foundation Model for Unified EEG and MEG Signals [46.121056431476156]
  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。 既存のアプローチは一般的に、パフォーマンスとクロスドメインのスケーラビリティを制限する、分離、モダリティ、データセット固有のモデルに依存します。 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)
• Recording Brain Activity While Listening to Music Using Wearable EEG Devices Combined with Bidirectional Long Short-Term Memory Networks [1.5570182378422728]
  本研究は、音楽を聴きながら脳波信号を効率的に記録・分析することの課題に対処することを目的とする。 脳波信号処理のためのBi-LSTMネットワークとアテンション機構を組み合わせた手法を提案する。 Bi-LSTM-AttGWモデルは、SEEDデータセットで98.28%、DEAデータセットで92.46%の精度を達成した。
  論文  参考訳（メタデータ） (2024-08-22T04:32:22Z)
• EEGDiR: Electroencephalogram denoising network for temporal information storage and global modeling through Retentive Network [11.491355463353731]
  我々はRetnetを自然言語処理から脳波分解まで導入する。 Retnetの脳波への直接的適用は脳波信号の1次元の性質のため不可能である。 本稿では,1次元の脳波信号を2次元に変換してネットワーク入力として用いる信号埋め込み手法を提案する。
  論文  参考訳（メタデータ） (2024-03-20T15:04:21Z)
• Improving EEG Signal Classification Accuracy Using Wasserstein Generative Adversarial Networks [0.0]
  本稿では,ディープラーニングとWasserstein Generative Adversarial Network(WGAN)の最新動向に関する実践的解法を提案する。 WGANは、45人の個人から約1500の脳波記録と64のチャネルからなるBCI2000データセットで訓練された。 Frechet Inception Distance (FID) を用いて測定した生成信号の品質は、それぞれ1.345と11.565のスコアを得た。
  論文  参考訳（メタデータ） (2024-02-05T03:57:30Z)
• A Knowledge-Driven Cross-view Contrastive Learning for EEG Representation [48.85731427874065]
  本稿では,限られたラベルを持つ脳波から効果的な表現を抽出する知識駆動型クロスビューコントラスト学習フレームワーク(KDC2)を提案する。 KDC2法は脳波信号の頭皮と神経のビューを生成し、脳活動の内部および外部の表現をシミュレートする。 ニューラル情報整合性理論に基づく事前のニューラル知識をモデル化することにより、提案手法は不変かつ相補的なニューラル知識を抽出し、複合表現を生成する。
  論文  参考訳（メタデータ） (2023-09-21T08:53:51Z)
• 2021 BEETL Competition: Advancing Transfer Learning for Subject Independence & Heterogenous EEG Data Sets [89.84774119537087]
  我々は、診断とBCI(Brain-Computer-Interface)に関する2つの伝達学習課題を設計する。 第1タスクは、患者全体にわたる自動睡眠ステージアノテーションに対処する医療診断に重点を置いている。 タスク2はBrain-Computer Interface (BCI)に集中しており、被験者とデータセットの両方にわたる運動画像のデコードに対処する。
  論文  参考訳（メタデータ） (2022-02-14T12:12:20Z)
• 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)
• A Novel Transferability Attention Neural Network Model for EEG Emotion Recognition [51.203579838210885]
  脳波感情認識のための伝達型注目ニューラルネットワーク(TANN)を提案する。 TANNは、伝達可能な脳波領域のデータとサンプルを適応的に強調することにより、感情的な識別情報を学習する。 これは、複数の脳領域レベル判別器と1つのサンプルレベル判別器の出力を測定することで実現できる。
  論文  参考訳（メタデータ） (2020-09-21T02:42:30Z)
• Uncovering the structure of clinical EEG signals with self-supervised learning [64.4754948595556]
  教師付き学習パラダイムは、しばしば利用可能なラベル付きデータの量によって制限される。 この現象は脳波(EEG)などの臨床関連データに特に問題となる。 ラベルのないデータから情報を抽出することで、ディープニューラルネットワークとの競合性能に到達することができるかもしれない。
  論文  参考訳（メタデータ） (2020-07-31T14:34:47Z)
• EEG-based Brain-Computer Interfaces (BCIs): A Survey of Recent Studies on Signal Sensing Technologies and Computational Intelligence Approaches and their Applications [65.32004302942218]
  Brain-Computer Interface (BCI) はユーザとシステム間の強力なコミュニケーションツールである。 近年の技術進歩は、脳波(EEG)に基づく翻訳医療用BCIへの関心が高まっている。
  論文  参考訳（メタデータ） (2020-01-28T10:36:26Z)

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。