論文の概要: Improving TMS EEG Signal Quality for Closed-Loop Neuro Stimulation via Source-Domain Denoising

• arxiv url: http://arxiv.org/abs/2605.08184v1
• Date: Tue, 05 May 2026 10:19:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-12 23:28:49.438558
• Title: Improving TMS EEG Signal Quality for Closed-Loop Neuro Stimulation via Source-Domain Denoising
• Title（参考訳）: ソースドメインデノイングによる閉鎖ループ神経刺激に対するTMS脳波信号品質の改善
• Authors: Zhen Tang, Ameer Hamoodi, Stevie Foglia, Aimee Nelson, Zhen Gao,
• Abstract要約: 本研究は、検証済みのTMS EEGクリーニングパイプラインと対応するベンチマークデータセットに対処する。 将来的なアルゴリズム開発を支援するために、慎重に前処理された脳波信号の参照データセットが確立された。
• 参考スコア（独自算出の注目度）: 2.972532441158799
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This research addresses a validated TMS EEG cleaning pipeline and a corresponding benchmark dataset. It evaluates two widely used artifact removal pipelines. A reference dataset of carefully preprocessed EEG signals was established to support future algorithm development and enable systematic comparison of automated artifact removal strategies, despite the absence of a true physiological ground truth. The study evaluates the effectiveness of two widely used source based artifact removal approaches and examines their impact on signal quality improvement and preservation of TMS-evoked potentials. The results support the robustness of the proposed preprocessing workflow and demonstrate its potential for improving data reliability in both research and clinical applications. A key goal is integrating TMS EEG and embedding it within a larger BCI framework. Ultimately, these efforts aim to enhance understanding of cortical dynamics and expand the clinical and research applications of TMS EEG.
• Abstract（参考訳）: 本研究は、検証済みのTMS EEGクリーニングパイプラインと対応するベンチマークデータセットに対処する。 広く使われている2つのアーティファクト除去パイプラインを評価する。 脳波信号の参照データセットは、将来的なアルゴリズム開発を支援し、真の生理的根拠が存在しないにもかかわらず、自動化された人工物除去戦略の体系的な比較を可能にするために確立された。 本研究は,TMS誘発電位の信号品質改善と保存に与える影響を,広く利用されている2つのソースベースアーティファクト除去手法の有効性について検討した。 その結果、提案した前処理ワークフローの堅牢性をサポートし、研究および臨床応用においてデータの信頼性を向上させる可能性を実証した。 主要なゴールは、TMS EEGを統合して、より大きなBCIフレームワークに組み込むことです。 最終的に、これらの取り組みは、皮質力学の理解を高め、TMS脳波の臨床および研究の応用を拡大することを目的としている。

関連論文リスト

• Calibration-Free EEG-based Driver Drowsiness Detection with Online Test-Time Adaptation [43.83587667787693]
  ドローシー・ドライビングは交通事故の増大の原因であり、脳波に基づくドローシー検知システム(EEG)の最近の探索を促している。 特に,脳波信号の物体間変動は,領域シフトの問題を引き起こす。 そこで本稿では,オンラインテスト時間適応手法を利用して対象対象の分布に動的に適応する新しいドライバの眠気検出フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-11-27T02:27:10Z)
• 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)
• 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)
• Refining ADHD diagnosis with EEG: The impact of preprocessing and temporal segmentation on classification accuracy [41.94295877935867]
  本研究は,脳波によるADHD診断の信頼性向上における前処理とセグメンテーションの重要性を強調した。 後の脳波セグメントで訓練されたモデルは、ADHDを識別する際の認知疲労の潜在的な役割を示唆し、かなり高い精度を実現した。
  論文  参考訳（メタデータ） (2024-07-11T09:07:22Z)
• A Non-Intrusive Neural Quality Assessment Model for Surface Electromyography Signals [19.894088480632217]
  本研究では,SEMG信号のSNRを予測する新しい非侵入モデルQASE-netを提案する。 実験フレームワークは,2つのオープンアクセスデータベースから実世界のsEMGとECGデータを利用する。
  論文  参考訳（メタデータ） (2024-02-08T08:23:33Z)
• 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)
• EOG Artifact Removal from Single and Multi-channel EEG Recordings through the combination of Long Short-Term Memory Networks and Independent Component Analysis [0.0]
  脳波信号からのEOGアーチファクト除去の課題に対処するために,LSTM(Long Short-term memory)ベースのニューラルネットワークとICAを組み合わせた新しい手法を提案する。 本研究の目的は,1) 汚染された脳波データから水平および垂直EOG信号を推定し,2) ICAを用いて脳波から推定EOG信号を除去することである。
  論文  参考訳（メタデータ） (2023-08-25T13:32:28Z)
• Brain Imaging-to-Graph Generation using Adversarial Hierarchical Diffusion Models for MCI Causality Analysis [44.45598796591008]
  機能的磁気共鳴画像(fMRI)を軽度認知障害解析のための効果的な接続性にマッピングするために,脳画像から画像へのBIGG(Brain Imaging-to-graph generation)フレームワークを提案する。 発電機の階層変換器は、複数のスケールでノイズを推定するように設計されている。 ADNIデータセットの評価は,提案モデルの有効性と有効性を示す。
  論文  参考訳（メタデータ） (2023-05-18T06:54:56Z)
• EEG-Inception: An Accurate and Robust End-to-End Neural Network for EEG-based Motor Imagery Classification [123.93460670568554]
  本稿では,脳波に基づく運動画像(MI)分類のための新しい畳み込みニューラルネットワーク(CNN)アーキテクチャを提案する。 提案したCNNモデル、すなわちEEG-Inceptionは、Inception-Timeネットワークのバックボーン上に構築されている。 提案するネットワークは、生のEEG信号を入力とし、複雑なEEG信号前処理を必要としないため、エンドツーエンドの分類である。
  論文  参考訳（メタデータ） (2021-01-24T19:03:10Z)

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。