論文の概要: MLE-Toolbox: An Open-Source Toolbox for Comprehensive EEG and MEG Data Analysis
- arxiv url: http://arxiv.org/abs/2604.16463v1
- Date: Wed, 08 Apr 2026 12:01:20 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-04 02:32:14.019471
- Title: MLE-Toolbox: An Open-Source Toolbox for Comprehensive EEG and MEG Data Analysis
- Title（参考訳）: MLE-Toolbox: EEGとMEGデータ分析を総合するオープンソースツールボックス
- Authors: Xiaobo Liu,
- Abstract要約: MLE-Toolboxは、脳磁図(MEG)と脳波(EEG)データのエンドツーエンド解析のための包括的なオープンソースツールボックスである。
完全な分析パイプラインを統一的でユーザフレンドリなグラフィカルインターフェース(GUI)に統合する。
MLE-Toolboxは、厳密で再現可能なMEG/EEG研究の障壁を低くするように設計されている。
- 参考スコア（独自算出の注目度）: 2.6549671705231144
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: MLE-Toolbox is a comprehensive open-source MATLAB toolbox for end-to-end analysis of magnetoencephalography (MEG) and electroencephalography (EEG) data. Inspired by widely used neuroimaging platforms such as Brainstorm and FieldTrip, it integrates the full analysis pipeline within a unified and user-friendly graphical interface (GUI), covering raw data import, preprocessing, source localization, functional connectivity, oscillatory analysis, and machine learning-based classification. The toolbox includes automated artifact rejection methods, including independent component analysis (ICA), signal-space projection (SSP), and signal-space separation (SSS); multiple source localization approaches, including minimum norm estimation (MNE), dynamic statistical parametric mapping (dSPM), standardized low-resolution brain electromagnetic tomography (sLORETA), and beamforming; multi-atlas parcellation with anatomical visualization; spectral power analysis with frequency-band brain mapping; phase-amplitude coupling (PAC); graph-theoretic brain network analysis; and integrated machine learning and deep learning classifiers. MLE-Toolbox also provides native interoperability with Brainstorm, FieldTrip, EEGLAB, and FreeSurfer, allowing researchers to build on established workflows while benefiting from additional automation, interactive visualization, and one-click academic report generation. Freely available for non-commercial use, MLE-Toolbox is designed to lower the barrier to rigorous, reproducible MEG/EEG research.
- Abstract（参考訳）: MLE-Toolboxは、脳磁図(MEG)と脳波(EEG)データをエンドツーエンドに分析するための、包括的なオープンソースMATLABツールボックスである。
BrainstormやFieldTripといった広く使われているニューロイメージングプラットフォームにインスパイアされた同社は、完全な分析パイプラインを統一的でユーザフレンドリなグラフィカルインターフェース(GUI)に統合し、生データインポート、前処理、ソースローカライゼーション、機能接続、発振解析、マシンラーニングベースの分類をカバーする。
本発明のツールボックスは、独立成分分析(ICA)、信号空間投影(SSP)、信号空間分離(SSS)、最小ノルム推定(MNE)、動的統計パラメトリックマッピング(dSPM)、標準化された低分解能脳電磁トモグラフィ(SLORETA)、ビームフォーミング、解剖学的可視化によるマルチアトラス解析、周波数帯域脳マッピングによるスペクトルパワー分析、位相振幅結合(PAC)、グラフ理論脳ネットワーク分析、統合機械学習およびディープラーニング分類器を含む複数のソースローカライゼーション手法を含む。
また、MLE-ToolboxはBrainstorm、FieldTrip、EEGLAB、FreeSurferとのネイティブな相互運用性を提供する。
MLE-Toolboxは、厳密で再現可能なMEG/EEG研究の障壁を低くするように設計されている。
関連論文リスト
- Cedalion Tutorial: A Python-based framework for comprehensive analysis of multimodal fNIRS & DOT from the lab to the everyday world [0.0]
Cedalionは、fNIRSとDOTデータのモデルベースおよびデータ駆動分析を統合するために設計されたPythonベースのフレームワークである。
SNIRFとBIDS標準をサポートし、クラウドで実行可能なJupyterノートブックをサポートし、コンテナ化された分析パイプラインを提供する。
信号品質評価、運動補正、GLMモデリング、再構成のための検証済みアルゴリズムを実装し、シミュレーション、データ拡張、マルチモーダル生理学解析のモジュールによって補完される。
論文 参考訳（メタデータ） (2026-01-09T16:37:48Z) - 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) - Leveraging Embedding Techniques in Multimodal Machine Learning for Mental Illness Assessment [0.8458496687170665]
うつ病やPTSDなどの精神疾患の世界的な流行は、客観的でスケーラブルな診断ツールを必要とする。
本稿では、テキスト、音声、ビデオデータに相補的な情報を活用することで、これらの課題に対処するためのマルチモーダル機械学習の可能性を検討する。
大規模言語モデル予測の新たな統合を含む,データレベル,機能レベル,意思決定レベルの融合技術について検討する。
論文 参考訳（メタデータ） (2025-04-02T14:19:06Z) - A new framework for X-ray absorption spectroscopy data analysis based on machine learning: XASDAML [3.26781102547109]
XASDAMLは、データ処理ワークフロー全体を統合したフレキシブルな機械学習ベースのフレームワークである。
包括的統計分析をサポートし、主成分分析やクラスタリングなどの手法を活用する。
XASDAMLの汎用性と有効性は、銅のデータセットに適用することで実証される。
論文 参考訳（メタデータ） (2025-02-23T17:50:04Z) - MAPS: Advancing Multi-Modal Reasoning in Expert-Level Physical Science [62.96434290874878]
現在のMLLM(Multi-Modal Large Language Models)は、一般的な視覚的推論タスクにおいて強力な機能を示している。
我々は,MLLMに基づく物理知覚とシミュレーションによるマルチモーダル科学推論(MAPS)という新しいフレームワークを開発した。
MAPSは、専門家レベルのマルチモーダル推論タスクを物理的知覚モデル(PPM)を介して物理図理解に分解し、シミュレータを介して物理的知識で推論する。
論文 参考訳（メタデータ） (2025-01-18T13:54:00Z) - Physics-informed and Unsupervised Riemannian Domain Adaptation for Machine Learning on Heterogeneous EEG Datasets [53.367212596352324]
脳波信号物理を利用した教師なし手法を提案する。
脳波チャンネルをフィールド、ソースフリーなドメイン適応を用いて固定位置にマッピングする。
提案手法は脳-コンピュータインタフェース(BCI)タスクおよび潜在的なバイオマーカー応用におけるロバストな性能を示す。
論文 参考訳（メタデータ） (2024-03-07T16:17:33Z) - Closing the loop: Autonomous experiments enabled by
machine-learning-based online data analysis in synchrotron beamline
environments [80.49514665620008]
機械学習は、大規模または高速に生成されたデータセットを含む研究を強化するために使用できる。
本研究では,X線反射法(XRR)のための閉ループワークフローへのMLの導入について述べる。
本研究では,ビームライン制御ソフトウェア環境に付加的なソフトウェア依存関係を導入することなく,実験中の基本データ解析をリアルタイムで行うソリューションを提案する。
論文 参考訳（メタデータ） (2023-06-20T21:21:19Z) - Statistical control for spatio-temporal MEG/EEG source imaging with
desparsified multi-task Lasso [102.84915019938413]
脳磁図(MEG)や脳電図(EEG)のような非侵襲的手法は、非侵襲的手法を約束する。
ソースローカライゼーション(ソースイメージング)の問題は、しかしながら、高次元の統計的推測問題を引き起こす。
この問題に対処するために,分離されたマルチタスクラッソ(ecd-MTLasso)のアンサンブルを提案する。
論文 参考訳（メタデータ） (2020-09-29T21:17:16Z)
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。