論文の概要: NeuroClean: A Generalized Machine-Learning Approach to Neural Time-Series Conditioning

• arxiv url: http://arxiv.org/abs/2511.01951v1
• Date: Mon, 03 Nov 2025 12:13:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-05 18:47:05.610399
• Title: NeuroClean: A Generalized Machine-Learning Approach to Neural Time-Series Conditioning
• Title（参考訳）: NeuroClean: ニューラルネットワークの時系列コンディショニングに対する汎用機械学習アプローチ
• Authors: Manuel A. Hernandez Alonso, Michael Depass, Stephan Quessy, Numa Dancause, Ignasi Cos,
• Abstract要約: 教師なし多目的脳波/LFP前処理方式であるNeuroCleanパイプラインを導入する。 パイプラインは5段階のプロセスとして設計されており、共通の帯域通過やラインノイズフィルタリング、悪いチャネル拒絶などが含まれる。 これは、クラスタリングアルゴリズムに基づく自動コンポーネント拒絶を伴う効率的な独立成分分析を組み込んでいる。
• 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: Electroencephalography (EEG) and local field potentials (LFP) are two widely used techniques to record electrical activity from the brain. These signals are used in both the clinical and research domains for multiple applications. However, most brain data recordings suffer from a myriad of artifacts and noise sources other than the brain itself. Thus, a major requirement for their use is proper and, given current volumes of data, a fully automatized conditioning. As a means to this end, here we introduce an unsupervised, multipurpose EEG/LFP preprocessing method, the NeuroClean pipeline. In addition to its completeness and reliability, NeuroClean is an unsupervised series of algorithms intended to mitigate reproducibility issues and biases caused by human intervention. The pipeline is designed as a five-step process, including the common bandpass and line noise filtering, and bad channel rejection. However, it incorporates an efficient independent component analysis with an automatic component rejection based on a clustering algorithm. This machine learning classifier is used to ensure that task-relevant information is preserved after each step of the cleaning process. We used several data sets to validate the pipeline. NeuroClean removed several common types of artifacts from the signal. Moreover, in the context of motor tasks of varying complexity, it yielded more than 97% accuracy (vs. a chance-level of 33.3%) in an optimized Multinomial Logistic Regression model after cleaning the data, compared to the raw data, which performed at 74% accuracy. These results show that NeuroClean is a promising pipeline and workflow that can be applied to future work and studies to achieve better generalization and performance on machine learning pipelines.
• Abstract（参考訳）: 脳波 (EEG) と局所野電位 (LFP) は脳からの電気活動を記録するために広く使われている2つの手法である。 これらのシグナルは臨床領域と研究領域の両方で複数の用途に使用される。 しかし、ほとんどの脳のデータ記録は、脳自身以外の無数の人工物やノイズ源に悩まされている。 したがって、それらを使用するための主要な要件は適切であり、現在のデータ量に応じて、完全に自動化された条件付けである。 そこで本研究では,教師なし,多目的なEEG/LFP前処理方式であるNeuroCleanパイプラインを導入する。 完全性と信頼性に加えて、NeuroCleanは人間の介入による再現性の問題とバイアスを軽減するための教師なしのアルゴリズムである。 パイプラインは5段階のプロセスとして設計されており、共通の帯域通過やラインノイズフィルタリング、悪いチャネル拒絶などが含まれる。 しかし、クラスタリングアルゴリズムに基づく自動成分拒絶による効率的な独立成分分析が組み込まれている。 本発明の機械学習分類器は、クリーニング工程の各工程後にタスク関連情報が保存されることを保証する。 パイプラインを検証するために、いくつかのデータセットを使用しました。 NeuroCleanは、信号からいくつかの一般的なアーティファクトを除去した。 さらに、様々な複雑さの運動タスクの文脈では、データのクリーニング後に最適化された多項ロジスティック回帰モデルにおいて、97%以上の精度(vs.33.3%)が得られた。 これらの結果は、NeuroCleanが将来的なパイプラインとワークフローであり、機械学習パイプラインのより優れた一般化とパフォーマンスを達成するために、研究や研究に適用可能であることを示している。

関連論文リスト

• Recurrent and Convolutional Neural Networks in Classification of EEG Signal for Guided Imagery and Mental Workload Detection [0.9895793818721335]
  本稿では,26名の学生を対象に,高密度アレイ脳波増幅器を用いたガイド画像緩和技術と精神作業負荷に関する調査を行った。
  論文  参考訳（メタデータ） (2024-05-27T07:49:30Z)
• Score-based Diffusion Models in Function Space [137.70916238028306]
  拡散モデルは、最近、生成モデリングの強力なフレームワークとして登場した。 この研究は、関数空間における拡散モデルをトレーニングするためのDDO(Denoising Diffusion Operators)と呼ばれる数学的に厳密なフレームワークを導入する。 データ解像度に依存しない固定コストで、対応する離散化アルゴリズムが正確なサンプルを生成することを示す。
  論文  参考訳（メタデータ） (2023-02-14T23:50:53Z)
• Graph Neural Networks with Trainable Adjacency Matrices for Fault Diagnosis on Multivariate Sensor Data [69.25738064847175]
  各センサの信号の挙動を別々に検討し,相互の相関関係と隠れ関係を考慮する必要がある。 グラフノードは、異なるセンサーからのデータとして表現することができ、エッジは、これらのデータの影響を互いに表示することができる。 グラフニューラルネットワークのトレーニング中にグラフを構築する方法が提案されている。これにより、センサー間の依存関係が事前に分かっていないデータ上でモデルをトレーニングすることができる。
  論文  参考訳（メタデータ） (2022-10-20T11:03:21Z)
• Grasp-and-Lift Detection from EEG Signal Using Convolutional Neural Network [1.869097450593631]
  本稿では,32チャネル脳波信号から手動動作ビズGALを検出する手法を自動化した。 提案したパイプラインは、基本的には前処理とエンドツーエンド検出ステップを組み合わせたもので、手作りの機能エンジニアリングの必要性を排除している。
  論文  参考訳（メタデータ） (2022-02-12T19:27:06Z)
• A toolkit for data-driven discovery of governing equations in high-noise regimes [5.025654873456756]
  時系列データから高雑音の極限における支配方程式の探索について考察する。 どちらも、システム x' = f(x) から取得したノイズの多いデータに焦点を当てています。
  論文  参考訳（メタデータ） (2021-11-08T23:32:11Z)
• Convolutional generative adversarial imputation networks for spatio-temporal missing data in storm surge simulations [86.5302150777089]
  GAN(Generative Adversarial Imputation Nets)とGANベースの技術は、教師なし機械学習手法として注目されている。 提案手法を Con Conval Generative Adversarial Imputation Nets (Conv-GAIN) と呼ぶ。
  論文  参考訳（メタデータ） (2021-11-03T03:50:48Z)
• Deep Metric Learning with Locality Sensitive Angular Loss for Self-Correcting Source Separation of Neural Spiking Signals [77.34726150561087]
  本稿では, 深層学習に基づく手法を提案し, 自動掃除とロバスト分離フィルタの必要性に対処する。 本手法は, ソース分離した高密度表面筋電図記録に基づいて, 人工的に劣化したラベルセットを用いて検証する。 このアプローチにより、ニューラルネットワークは、信号のラベル付けの不完全な方法を使用して、神経生理学的時系列を正確に復号することができる。
  論文  参考訳（メタデータ） (2021-10-13T21:51:56Z)

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。