論文の概要: Computer Vision Based Neurology Brain Activity Rejection Architecture and Implementation
- arxiv url: http://arxiv.org/abs/2607.21654v1
- Date: Wed, 22 Jul 2026 18:30:41 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-27 20:58:56.944662
- Title: Computer Vision Based Neurology Brain Activity Rejection Architecture and Implementation
- Title（参考訳）: コンピュータビジョンに基づく脳活動拒絶アーキテクチャと実装
- Abstract要約: 本研究は、ICLabelやEEGLabのような広く使われているソフトウェアインタフェースと互換性のあるコンピュータビジョンベースのICA拒否ラベル作成ツールを提案する。
手作業の自動化により、提案システムは処理時間を7200倍に短縮し、89.45%の精度を実現する。
- 参考スコア（独自算出の注目度）: 0.34202935599316525
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The electroencephalogram (EEG) is a valuable and widely applied tool for investigating brain disorders and behavioral changes. It offers a minimally restrictive and non-invasive method. However, challenges in using EEG for cognitive development studies include temporal resolution, signal source localization, and EEG artifacts. Careful consideration of these factors is essential for informed application of EEG technology. Independent component analysis (ICA) effectively isolates source generator processes from signals recorded by multiple, adjacent EEG scalp electrodes. Although ICA decomposition requires manual inspection, selection, and interpretation of independent components (ICs), this process is time consuming and demands expertise. Automated IC classification can achieve sufficient accuracy, expediting large scale EEG research and enabling near real time applications in conjunction with brain activity rejection tasks, which are crucial for medical specialists. This study introduces an automated computer vision based ICA rejection labeling tool compatible with widely used software interfaces like ICLabel and EEGLab. By automating the manual task, the proposed system reduces processing time by 7200 fold and achieves an accuracy of 89.45%.
- Abstract（参考訳）: 脳波(EEG)は脳の障害や行動の変化を調査するための貴重なツールである。
最小限の制限的かつ非侵襲的な方法を提供する。
しかし、認知発達研究にEEGを使用する際の課題は、時間分解能、信号源の局在、脳波アーチファクトなどである。
これらの要因を慎重に検討することは脳波技術の応用に不可欠である。
独立成分分析(ICA)は、複数の隣接するEEG頭皮電極によって記録された信号からソースジェネレータプロセスを効果的に分離する。
ICA分解には、独立したコンポーネント(IC)を手動で検査、選択、解釈する必要があるが、このプロセスは時間をかけて専門知識を必要としている。
自動化されたIC分類は十分な精度を達成でき、大規模な脳波研究を迅速化し、医療専門家にとって重要な脳活動拒絶タスクと共に、ほぼリアルタイムの応用を可能にする。
本研究は、ICLabelやEEGLabのような広く使われているソフトウェアインタフェースと互換性のあるコンピュータビジョンベースのICA拒否ラベル作成ツールを提案する。
手作業の自動化により、提案システムは処理時間を7200倍に短縮し、89.45%の精度を実現する。
関連論文リスト
- EEGAgent: A Unified Framework for Automated EEG Analysis Using Large Language Models [21.01911300951173]
EEGAgentは、大規模な言語モデル(LLM)を活用して、複数のツールをスケジュールし、計画し、EEG関連のタスクを自動的に完了させる汎用フレームワークである。
EEGAgentは、EEG基本的な情報認識、EEG探索、EEGイベント検出、ユーザとのインタラクション、EEGレポート生成といった重要な機能を実行することができる。
これらの機能はパブリックデータセットで評価され、私たちのEEGAgentは柔軟で解釈可能なEEG分析をサポートできます。
論文 参考訳（メタデータ） (2025-11-13T04:27:06Z) - 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) - An Energy-Aware Approach to Design Self-Adaptive AI-based Applications
on the Edge [42.462246527457594]
我々は、自己適応型AIベースのアプリケーションの設計と展開にエネルギーを意識したアプローチを提案する。
本稿では,メタヒューリスティックな探索手順でシステムに自己適応できる構成の集合を決定する問題に対処する。
その結果、我々の自己適応型アプリケーションは、最大81%のエネルギーを節約し、2%から6%の精度で、非適応型ベースライン構成を上回ります。
論文 参考訳（メタデータ） (2023-08-31T09:33:44Z) - A Convolutional Spiking Network for Gesture Recognition in
Brain-Computer Interfaces [0.8122270502556371]
脳信号に基づく手振り分類の例題問題に対して,簡単な機械学習に基づくアプローチを提案する。
本手法は脳波データとECoGデータの両方で異なる対象に一般化し,92.74-97.07%の範囲で精度が向上することを示した。
論文 参考訳（メタデータ） (2023-04-21T16:23:40Z) - Robotic Navigation Autonomy for Subretinal Injection via Intelligent
Real-Time Virtual iOCT Volume Slicing [88.99939660183881]
網膜下注射のための自律型ロボットナビゲーションの枠組みを提案する。
提案手法は,機器のポーズ推定方法,ロボットとi OCTシステム間のオンライン登録,およびインジェクションターゲットへのナビゲーションに適した軌道計画から構成される。
ブタ前眼の精度と再現性について実験を行った。
論文 参考訳（メタデータ） (2023-01-17T21:41:21Z) - fMRI from EEG is only Deep Learning away: the use of interpretable DL to
unravel EEG-fMRI relationships [68.8204255655161]
多チャンネル脳波データからいくつかの皮質下領域の活性を回復するための解釈可能な領域基底解を提案する。
我々は,皮質下核の血行動態信号の頭皮脳波予測の空間的・時間的パターンを復元する。
論文 参考訳（メタデータ） (2022-10-23T15:11:37Z) - Task-oriented Self-supervised Learning for Anomaly Detection in
Electroencephalography [51.45515911920534]
タスク指向型自己教師型学習手法を提案する。
大きなカーネルを持つ特定の2つの分岐畳み込みニューラルネットワークを特徴抽出器として設計する。
効果的に設計され、訓練された特徴抽出器は、より優れた特徴表現を脳波から抽出できることが示されている。
論文 参考訳（メタデータ） (2022-07-04T13:15:08Z) - 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) - Convolutional Neural Networks for Automatic Detection of Artifacts from
Independent Components Represented in Scalp Topographies of EEG Signals [9.088303226909279]
眼球運動や点滅、筋/心臓活動、一般的な電気障害などによるアーチファクトの認識と排除が求められている。
ICAは、2Dの頭皮のトポグラフィー(画像)に再投影することで、人工物とUBSを認識・分離できる独立したコンポーネント(IC)に信号を切り分けるのに効果的である。
2次元畳み込みニューラルネットワーク(CNN)に基づくICトポロによる脳波アーチファクト認識のための,完全自動かつ効果的なフレームワークを提案する。
実験では、32のトポロを分類するために標準PCで1.4秒を使用、全体の98%以上の精度を示した。
論文 参考訳（メタデータ） (2020-09-08T12:40:10Z) - DeepBrain: Towards Personalized EEG Interaction through Attentional and
Embedded LSTM Learning [20.300051894095173]
本稿では,低コストデバイスであるDeepBrainからの粗い脳波信号の組込み学習を通じて,脳-ロボット間相互作用(BRI)を実現するエンド・ツー・エンドのソリューションを提案する。
1)脳波信号の時間依存性とその分類を扱うための特定の前処理技術を備えた長期記憶(拡張LSTM)構造を提案する。
我々の実世界の実験は、低コストで提案されたエンドツーエンドのソリューションが、良好な実行速度、精度、エネルギー効率を実現することを実証している。
論文 参考訳（メタデータ） (2020-02-06T03:34:08Z) - EEG-based Brain-Computer Interfaces (BCIs): A Survey of Recent Studies
on Signal Sensing Technologies and Computational Intelligence Approaches and
their Applications [65.32004302942218]
Brain-Computer Interface (BCI) はユーザとシステム間の強力なコミュニケーションツールである。
近年の技術進歩は、脳波(EEG)に基づく翻訳医療用BCIへの関心が高まっている。
論文 参考訳（メタデータ） (2020-01-28T10:36:26Z)
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。