論文の概要: SSDLabeler: Realistic semi-synthetic data generation for multi-label artifact classification in EEG

• arxiv url: http://arxiv.org/abs/2512.05500v1
• Date: Fri, 05 Dec 2025 07:51:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-13 22:40:56.94325
• Title: SSDLabeler: Realistic semi-synthetic data generation for multi-label artifact classification in EEG
• Title（参考訳）: SSDLabeler:脳波における多ラベルアーティファクト分類のためのリアル半合成データ生成
• Authors: Taketo Akama, Akima Connelly, Shun Minamikawa, Natalia Polouliakh,
• Abstract要約: この制限に対処するために,半合成データ(SSD)法が提案されている。 本稿では,実脳波をICAで分解することで,現実的なアノテートを生成するSSDLabelerを紹介する。 これは、以前のSSDや生のEEGトレーニングと比較して、様々な条件で生のEEGの精度を改善する。
• 参考スコア（独自算出の注目度）: 3.6090330176197125
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: EEG recordings are inherently contaminated by artifacts such as ocular, muscular, and environmental noise, which obscure neural activity and complicate preprocessing. Artifact classification offers advantages in stability and transparency, providing a viable alternative to ICA-based methods that enable flexible use alongside human inspections and across various applications. However, artifact classification is limited by its training data as it requires extensive manual labeling, which cannot fully cover the diversity of real-world EEG. Semi-synthetic data (SSD) methods have been proposed to address this limitation, but prior approaches typically injected single artifact types using ICA components or required separately recorded artifact signals, reducing both the realism of the generated data and the applicability of the method. To overcome these issues, we introduce SSDLabeler, a framework that generates realistic, annotated SSDs by decomposing real EEG with ICA, epoch-level artifact verification using RMS and PSD criteria, and reinjecting multiple artifact types into clean data. When applied to train a multi-label artifact classifier, it improved accuracy on raw EEG across diverse conditions compared to prior SSD and raw EEG training, establishing a scalable foundation for artifact handling that captures the co-occurrence and complexity of real EEG.
• Abstract（参考訳）: 脳波記録は本来、眼、筋肉、環境騒音などの人工物によって汚染され、神経活動が不明瞭で、前処理が複雑になる。 アーティファクト分類は安定性と透明性の利点を提供し、ICAベースの手法の代替として、ヒューマンインスペクションや様々なアプリケーションで柔軟な使用を可能にする。 しかし、実世界の脳波の多様性を完全にカバーできない広範囲な手動ラベリングを必要とするため、アーティファクト分類はトレーニングデータによって制限されている。 この制限に対処するために半合成データ(SSD)法が提案されているが、従来の手法ではICA成分を用いて単一のアーティファクトタイプを注入するか、別々に記録されたアーティファクト信号を必要とする。 これらの問題を解決するために,実脳波をICAで分解し,RMSおよびPSD基準を用いたエポックレベルのアーティファクト検証を行い,複数のアーティファクトをクリーンなデータに再注入することで,現実的な注釈付きSSDを生成するSSDLabelerを導入する。 マルチラベルアーティファクト分類器のトレーニングに適用すると、以前のSSDや生のEEGトレーニングと比較して、さまざまな条件における生のEEGの精度を改善し、実際のEEGの共起と複雑さをキャプチャするアーティファクトハンドリングのスケーラブルな基盤を確立した。

関連論文リスト

• Synthetic EEG Generation using Diffusion Models for Motor Imagery Tasks [0.0]
  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。
  論文  参考訳（メタデータ） (2025-10-03T02:02:05Z)
• Generate, Refine, and Encode: Leveraging Synthesized Novel Samples for On-the-Fly Fine-Grained Category Discovery [64.83837781610907]
  本稿では,未知のカテゴリと未知のカテゴリの両方に属する可能性のある,新たに到着したストリームデータのオンライン識別について検討する。 既存のOCD法はラベル付きデータのみから転送可能な知識を完全にマイニングするものである。 本稿では,DiffGREと呼ばれる拡散型OCDフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-07-05T14:20:49Z)
• Restoration Score Distillation: From Corrupted Diffusion Pretraining to One-Step High-Quality Generation [82.39763984380625]
  Score Distillation (DSD) の原理的一般化である textitRestoration Score Distillation (RSD) を提案する。 RSDは、ぼやけた画像、不完全画像、低解像度画像など、広範囲の汚職タイプに対応している。 自然と科学の両方のデータセットの様々な復元作業において、教師モデルを一貫して上回っている。
  論文  参考訳（メタデータ） (2025-05-19T17:21:03Z)
• EEG Artifact Detection and Correction with Deep Autoencoders [0.0]
  LSTEEGは、脳波信号のアーチファクトの検出と修正のためのLSTMベースの新しいオートエンコーダである。 提案手法は,自己エンコーダの潜在空間の解釈可能性と有用性を高める。 本研究は, 効率的かつ高精度なマルチチャネル脳波前処理の分野を推し進めるものである。
  論文  参考訳（メタデータ） (2025-02-12T12:06:36Z)
• Encoder with the Empirical Mode Decomposition (EMD) to remove muscle artefacts from EEG signal [0.0]
  本稿では,経験的モード分解(EMD)法と機械学習アーキテクチャを組み合わせることで,脳波信号からアーティファクトを効果的に除去する手法を提案する。
  論文  参考訳（メタデータ） (2024-09-22T19:22:22Z)
• ART: Artifact Removal Transformer for Reconstructing Noise-Free Multichannel Electroencephalographic Signals [0.10499611180329801]
  脳波(EEG)のアーチファクト除去は神経科学的な分析と脳-コンピュータインターフェース(BCI)のパフォーマンスに大きな影響を及ぼす。 本研究は,脳波信号の過渡ミリ秒スケール特性を順応的に捉えるため,トランスフォーマーアーキテクチャを用いた脳波復調モデルを提案する。 脳波信号処理においてARTが他の深層学習に基づくアーティファクト除去手法を上回ることが確認された。
  論文  参考訳（メタデータ） (2024-09-11T15:05:40Z)
• GenFace: A Large-Scale Fine-Grained Face Forgery Benchmark and Cross Appearance-Edge Learning [50.7702397913573]
  フォトリアリスティック・ジェネレータの急速な進歩は、真の画像と操作された画像の相違がますます不明瞭になっている臨界点に達している。 公開されている顔の偽造データセットはいくつかあるが、偽造顔は主にGANベースの合成技術を用いて生成される。 我々は,大規模で多様できめ細かな高忠実度データセットであるGenFaceを提案し,ディープフェイク検出の進展を促進する。
  論文  参考訳（メタデータ） (2024-02-03T03:13:50Z)
• A Discrepancy Aware Framework for Robust Anomaly Detection [51.710249807397695]
  本稿では,DAF(Disdisrepancy Aware Framework)を提案する。 本手法は,デコーダの欠陥同定に外見に依存しないキューを利用して,その合成外観への依存を緩和する。 単純な合成戦略の下では,既存の手法を大きなマージンで上回り,また,最先端のローカライゼーション性能も達成している。
  論文  参考訳（メタデータ） (2023-10-11T15:21:40Z)
• CAFE: Learning to Condense Dataset by Aligning Features [72.99394941348757]
  本稿ではCAFE(Aligning features)によるCondenseデータセットの新しいスキームを提案する。 このアプローチの核心は、さまざまなスケールにわたる実データと合成データから機能を整合させる効果的な戦略です。 提案したCAFEを様々なデータセットで検証し,概ね最先端技術であることを示す。
  論文  参考訳（メタデータ） (2022-03-03T05:58:49Z)
• Unsupervised Domain Adaptive Salient Object Detection Through Uncertainty-Aware Pseudo-Label Learning [104.00026716576546]
  そこで本研究では,手動のアノテーションを使わずに,自然に高いピクセルラベル品質を有する合成・クリーンなラベルから,サリエンスを学習することを提案する。 提案手法は,複数のベンチマークデータセット上で,既存の最先端の深層教師なしSOD法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-02-26T16:03:55Z)

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。