Fugu-MT 論文翻訳(概要): How Long short-term memory artificial neural network, synthetic data, and fine-tuning improve the classification of raw EEG data

論文の概要: How Long short-term memory artificial neural network, synthetic data, and fine-tuning improve the classification of raw EEG data

arxiv url: http://arxiv.org/abs/2604.04316v1
Date: Sun, 05 Apr 2026 23:28:13 GMT
ステータス: 翻訳完了
システム内更新日: 2026-04-07 15:49:19.041165
Title: How Long short-term memory artificial neural network, synthetic data, and fine-tuning improve the classification of raw EEG data
Title（参考訳）: 長期記憶型人工ニューラルネットワーク, 合成データ, 微調整が生脳波データの分類をいかに改善するか
Authors: Albert Nasybullin, Vladimir Maksimenko, Semen Kurkin,
Abstract要約: 本稿では,暗黙的な視覚刺激を伴う実験において,合成データ生成,長期記憶型人工ニューラルネットワーク(LSTM)と微調整を組み合わせた分類問題を解くことを提案する。開発した手法により生の脳波データの分類モデルの品質が向上した。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: In this paper, we discuss a Machine Learning pipeline for the classification of EEG data. We propose a combination of synthetic data generation, long short-term memory artificial neural network (LSTM), and fine-tuning to solve classification problems for experiments with implicit visual stimuli, such as the Necker cube with different levels of ambiguity. The developed approach increased the quality of the classification model of raw EEG data.
Abstract（参考訳）: 本稿では,脳波データの分類のための機械学習パイプラインについて論じる。我々は,暗黙的な視覚刺激を伴う実験において,合成データ生成,長期記憶型人工ニューラルネットワーク(LSTM)と微調整を組み合わせることで,曖昧さのレベルが異なるネッカーキューブのような,暗黙的な視覚刺激を伴う実験の分類問題を解くことを提案する。開発した手法により生の脳波データの分類モデルの品質が向上した。

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)
A Statistical Approach for Synthetic EEG Data Generation [2.5648452174203062]
本研究では,相関解析とランダムサンプリングを組み合わせて,リアルな合成脳波データを生成する手法を提案する。生の脳波と生の脳波を区別するために訓練されたランダムフォレストモデルは、偶然に高い忠実度を示す。この方法は、脳波データセットを拡張するためのスケーラブルでプライバシー保護のアプローチを提供し、メンタルヘルス研究におけるより効率的なモデルトレーニングを可能にする。
論文参考訳（メタデータ） (2025-04-22T06:48:42Z)
Dataset Properties Shape the Success of Neuroimaging-Based Patient Stratification: A Benchmarking Analysis Across Clustering Algorithms [38.321248253111776]
人工脳形態計測コホートを用いて, HYDRA, SuStaIn, SmileGAN, SurrealGANの4つの広く用いられている層状化アルゴリズムについて検討した。 122の合成シナリオにおいて、データの複雑さは、成層化の成功を予測するアルゴリズムの選択を常に上回った。十分に分離されたクラスターは全ての手法で高い精度を示し、重なり合い、不等サイズ、微妙な効果により精度は最大50%低下した。
論文参考訳（メタデータ） (2025-03-15T09:44:00Z)
Dataset Distillation for Histopathology Image Classification [46.04496989951066]
病理画像データセット(Histo-DD)に適した新しいデータセット蒸留アルゴリズムを提案する。提案アルゴリズムの有効性を総合的に評価し, パッチレベルとスライドレベルの両方の分類タスクにおいて, 組織学的サンプルを生成する。
論文参考訳（メタデータ） (2024-08-19T05:53:38Z)
Synthetic Image Learning: Preserving Performance and Preventing Membership Inference Attacks [5.0243930429558885]
本稿では,下流分類器の学習のための合成データの生成と利用を最適化するパイプラインである知識リサイクル(KR)を紹介する。このパイプラインの核心は生成的知識蒸留(GKD)であり、情報の品質と有用性を大幅に向上させる技術が提案されている。その結果、実データと合成データでトレーニングされたモデルと、実データでトレーニングされたモデルとの性能差が著しく低下した。
論文参考訳（メタデータ） (2024-07-22T10:31:07Z)
Functional Magnetic Resonance Imaging data augmentation through conditional ICA [44.483210864902304]
本稿では,高速機能型磁気共鳴イメージング(fMRI)データ拡張技術である条件独立成分分析(Conditional ICA)を紹介する。本研究では,コンディショナルICAが観測不可能なデータの合成に成功しており,脳の復号化問題における分類精度の向上が期待できることを示す。
論文参考訳（メタデータ） (2021-07-11T22:36:14Z)
G-MIND: An End-to-End Multimodal Imaging-Genetics Framework for Biomarker Identification and Disease Classification [49.53651166356737]
診断によって誘導される画像データと遺伝データを統合し、解釈可能なバイオマーカーを提供する新しいディープニューラルネットワークアーキテクチャを提案する。 2つの機能的MRI(fMRI)パラダイムとSingle Nucleotide Polymorphism (SNP)データを含む統合失調症の集団研究で本モデルを評価した。
論文参考訳（メタデータ） (2021-01-27T19:28:04Z)
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)

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。