論文の概要: Enabling Unsupervised Training of Deep EEG Denoisers With Intelligent Partitioning

• arxiv url: http://arxiv.org/abs/2605.06724v1
• Date: Thu, 07 May 2026 10:55:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-11 19:43:38.489271
• Title: Enabling Unsupervised Training of Deep EEG Denoisers With Intelligent Partitioning
• Title（参考訳）: インテリジェントパーティショニングによる深部脳波障害者の教師なしトレーニングの実現
• Authors: Qiyu Rao, Haozhe Tian, Homayoun Hamedmoghadam, Danilo Mandic,
• Abstract要約: ウェアラブル脳波(EEG)は本質的に困難である。 ディープラーニング手法は、分解不要の脳波復調において有望であることを示す。 我々は,iPSDのためのインテリジェントパーティショニングを提案する。
• 参考スコア（独自算出の注目度）: 2.1530718840070784
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Denoising wearable electroencephalogram (EEG) is inherently challenging since neural activity is not only subtle but also inseparable from spectrally overlapping noise artifacts. Classical signal processing methods, relying on fixed or heuristic rules, cannot handle the time-varying pervasive artifacts in wearable EEGs. Deep learning methods, on the other hand, show promise in decomposition-free EEG denoising using highly expressive neural networks, but the training requires artifact-free EEG, which is inherently unobtainable. To address this, we propose Intelligent Partitioning for Self-supervised Denoising (iPSD). Our method eliminates the need for clean references by learning to partition an input EEG segment into independent noisy realizations with the same underlying signal. This enables self-supervision of deep learning denoisers, even in zero-shot settings where only a single EEG segment to be denoised is available. We validate iPSD through extensive experiments, including validations on wearable EEG from in-ear sensors. The results show that iPSD achieves state-of-the-art performance, most notably under extremely low signal-to-noise ratios (down to -10 dB) and challenging artifacts (e.g., EMG), with spectral fidelity orders of magnitude higher than competitive baselines.
• Abstract（参考訳）: 神経活動は微妙なだけでなく、スペクトル的に重なり合うノイズアーティファクトと分離できないため、ウェアラブル脳波(EEG)は本質的に困難である。 古典的な信号処理法は、固定的またはヒューリスティックな規則に依存しており、ウェアラブル脳波における時変する広範的アーティファクトを扱えない。 一方、ディープラーニングの手法は、高度に表現力のあるニューラルネットワークを用いて分解のない脳波をデノナイズする可能性を示しているが、このトレーニングには本来は達成不可能な人工的な脳波が必要である。 そこで我々は,iPSD(Intelligent Partitioning for Self-supervised Denoising)を提案する。 提案手法では,入力された脳波セグメントを,同じ信号を持つ独立雑音認識に分割することで,クリーンな参照の必要性を解消する。 これにより、単一のEEGセグメントのみを識別可能なゼロショット設定であっても、ディープラーニングデノイザの自己監督が可能になる。 我々は、赤外線センサーによるウェアラブル脳波の検証を含む広範な実験を通じてiPSDを検証する。 以上の結果から,iPSDは高い信号-雑音比(最大10dBまで)と難解なアーチファクト(例えばEMG)で,スペクトル忠実度は競争基準よりも桁違いに高い結果が得られた。

関連論文リスト

• 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)
• DGSD: Dynamical Graph Self-Distillation for EEG-Based Auditory Spatial Attention Detection [49.196182908826565]
  AAD(Auditory Attention Detection)は、マルチスピーカー環境で脳信号からターゲット話者を検出することを目的としている。 現在のアプローチは主に、画像のようなユークリッドデータを処理するために設計された従来の畳み込みニューラルネットワークに依存している。 本稿では、入力として音声刺激を必要としないAADのための動的グラフ自己蒸留(DGSD)手法を提案する。
  論文  参考訳（メタデータ） (2023-09-07T13:43:46Z)
• Towards Adversarially Robust Deep Image Denoising [199.2458715635285]
  本研究は,ディープ・イメージ・デノイザ(DID)の対角的ロバスト性について系統的に検討する。 本稿では,観測に基づくゼロ平均アタック(sc ObsAtk)という新たな敵攻撃を提案する。 DIDを頑健化するために,DIDと非対向雑音データとを併用したハイブリッド対向訓練(sc HAT)を提案する。
  論文  参考訳（メタデータ） (2022-01-12T10:23:14Z)
• IC-U-Net: A U-Net-based Denoising Autoencoder Using Mixtures of Independent Components for Automatic EEG Artifact Removal [2.454595178503407]
  ニューラルネットワークの誤解釈を防止するために,実用的で信頼性の高い人工物除去手法を開発することが不可欠である。 本研究では, 広汎な脳波アーチファクトを除去するためのU-Netアーキテクチャに基づく, IC-U-Netという新しいアーティファクト除去手法を開発した。
  論文  参考訳（メタデータ） (2021-11-19T03:45:53Z)
• EEGDnet: Fusing Non-Local and Local Self-Similarity for 1-D EEG Signal Denoising with 2-D Transformer [8.295946712221845]
  本稿では,2次元変換器EEGDnetを用いた新しい1次元脳波信号復調ネットワークを提案する。 トランスモジュールによる脳波信号の非局所的・局所的自己相似性を考慮する。 EEGDnetは定量化と定性的化の両方の観点から、はるかに優れたパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2021-09-09T12:55:19Z)
• High Frequency EEG Artifact Detection with Uncertainty via Early Exit Paradigm [70.50499513259322]
  現在のアーティファクト検出パイプラインはリソース不足であり、手作りの機能に大きく依存している。 高周波脳波アーチファクト検出のためのディープラーニングフレームワークであるE4Gを提案する。 われわれのフレームワークは初期の出口パラダイムを利用して、不確実性を捉えることのできるモデルの暗黙のアンサンブルを構築している。
  論文  参考訳（メタデータ） (2021-07-21T07:05:42Z)
• Robust learning from corrupted EEG with dynamic spatial filtering [68.82260713085522]
  実験室の外で記録されたEEGを使用して機械学習モデルを構築するには、ノイズの多いデータとランダムに欠落するチャネルにロバストな方法が必要である。 ニューラルネットワークの第1層の前に挿入可能なマルチヘッドアテンションモジュールである動的空間フィルタリング(DSF)を提案する。 筆者らは, チャネル汚損を模擬した4000件の録音を含む公開脳波データと, 自然汚損をともなう移動脳波の自家記録100件のプライベートデータセットを用いて, DSFを試験した。
  論文  参考訳（メタデータ） (2021-05-27T02:33:16Z)
• Deep learning denoising for EOG artifacts removal from EEG signals [0.5243460995467893]
  脳波の偏光過程における最も難しい問題のひとつは、眼のアーチファクトを除去することである。 本稿では,この課題に対処する深層学習モデルを構築・訓練し,眼のアーチファクトを効果的に除去する。 我々は3つの異なるスキームを提案し、U-NETベースのモデルで汚染された脳波信号の浄化を学ばせた。
  論文  参考訳（メタデータ） (2020-09-12T23:28:12Z)
• Improving Blind Spot Denoising for Microscopy [73.94017852757413]
  自己監督型認知の質を向上させる新しい方法を提案する。 我々は、クリーンな画像がポイントスプレッド関数(PSF)との畳み込みの結果であり、ニューラルネットワークの最後にこの操作を明示的に含んでいると仮定する。
  論文  参考訳（メタデータ） (2020-08-19T13:06:24Z)
• Simultaneous Denoising and Dereverberation Using Deep Embedding Features [64.58693911070228]
  ディープ埋め込み特徴を用いた同時発声・発声同時学習法を提案する。 ノイズ発生段階では、DCネットワークを利用してノイズのないディープ埋込み特性を抽出する。 残響段階では、教師なしのK平均クラスタリングアルゴリズムの代わりに、別のニューラルネットワークを用いて無響音声を推定する。
  論文  参考訳（メタデータ） (2020-04-06T06:34:01Z)

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。