論文の概要: A Proof-of-Concept Study of Weakly Supervised Labeling of Fine-Grained EEG Components for Artifact Attenuation

• arxiv url: http://arxiv.org/abs/2610.09792v1
• Date: Wed, 07 Oct 2026 10:08:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 21:58:22.851963
• Title: A Proof-of-Concept Study of Weakly Supervised Labeling of Fine-Grained EEG Components for Artifact Attenuation
• Title（参考訳）: アーチファクト減衰のための微細粒状脳波成分の弱監督ラベル化に関する概念実証研究
• Abstract要約: 脳電図(EEG)は、筋電図(EMG)アーティファクトに非常に感受性が高い。 既存のアーティファクト除去法は、信頼性の低いコンポーネントレベルの地上真実によって制限される。 周波数認識型高次元表現とマルチインスタンス学習を組み合わせたフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 4.394108406826262
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Electroencephalography (EEG) is highly susceptible to electromyographic (EMG) artifacts, whose temporal heterogeneity and spatial-spectral overlap with neural activity can leave mixed sources after blind source separation. Existing artifact-removal methods are further limited by scarce reliable component-level ground truth: expert annotations are costly and subjective, while no established method provides realistic simulation-based ground truth for EMG contamination in multichannel scalp EEG. To address these limitations, we propose a framework combining a frequency-aware high-dimensional representation with Multi-Instance Learning. The representation unfolds separated components into frequency-resolved intra-components, creating a space in which mixed neural and muscular activity becomes more separable, while the weakly supervised learning formulation enables artifact-likelihood scores for individual intra-components to be learned from epoch-level labels without finer-grained ground truth. The resulting intra-component classifier supports fine-grained EMG artifact detection and score-guided attenuation. Experiments on held-out subjects show that the framework learns informative intra-component scores and reduces artifact-related spectral deviations most clearly for jaw tension, with moderate effects for raising eyebrows and limited effects for frowning.
• Abstract（参考訳）: 脳電図(EEG)は筋電図(EMG)アーティファクトに非常に感受性が高く、脳活動と時間的不均一性と空間スペクトルの重なりは、ブラインドソース分離後に混合ソースを残すことができる。 既存のアーティファクト除去法は、信頼性の低いコンポーネントレベルの基底真理により、さらに制限される: 専門家アノテーションはコストが高く、主観的であり、一方、マルチチャネル頭皮脳波におけるEMG汚染の現実的なシミュレーションに基づく基底真理は、確立されていない。 これらの制約に対処するため、周波数対応高次元表現とマルチインスタンス学習を組み合わせたフレームワークを提案する。 この表現は、分離された成分を周波数分解された成分に展開し、混合された神経活動と筋活動がより分離可能な空間を形成し、弱い教師付き学習定式化により、個々の成分がよりきめ細かい基底真理を伴わずにエポックレベルのラベルから学ぶことができる。 結果として得られる成分内分類器は、微細なEMGアーティファクトの検出とスコア誘導減衰をサポートする。 有意な成分内スコアを学習し、顎の張力に最も顕著なアーチファクト関連スペクトル偏差を低減し、まぶたを上げるための適度な効果としかめっ面の限られた効果を示した。

関連論文リスト

• Enabling Unsupervised Training of Deep EEG Denoisers With Intelligent Partitioning [2.1530718840070784]
  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。
  論文  参考訳（メタデータ） (2026-05-07T10:55:10Z)
• Machine Learning Enhanced Laser Spectroscopy for Multi-Species Gas Detection in Complex and Harsh Environments [0.0]
  この論文は、レーザー吸収分光と機械学習を組み合わせた診断法を開発する。 DDAEは高速炭化水素熱分解における衝撃管測定に応用される。 構造化された非教師付きフレームワークであるHT-SIMNetは、完全な校正データなしで未知種からの干渉を緩和する。 自動エンコーダに基づくブラインドソース分離法UnblindMixは、混合データから直接濃度とスペクトルシグネチャを再構成する。 VOC-セルティファイアは、ランダムな平滑化とVoigtベースのスペクトル摂動を組み合わせることで、揮発性有機化合物の証明可能な分類を提供する。
  論文  参考訳（メタデータ） (2026-05-02T07:28:27Z)
• SSDLabeler: Realistic semi-synthetic data generation for multi-label artifact classification in EEG [3.6090330176197125]
  この制限に対処するために,半合成データ(SSD)法が提案されている。 本稿では,実脳波をICAで分解することで,現実的なアノテートを生成するSSDLabelerを紹介する。 これは、以前のSSDや生のEEGトレーニングと比較して、様々な条件で生のEEGの精度を改善する。
  論文  参考訳（メタデータ） (2025-12-05T07:51:47Z)
• Motion Artifact Removal in Pixel-Frequency Domain via Alternate Masks and Diffusion Model [58.694932010573346]
  MRI(MRI)における運動アーチファクトは臨床診断に深刻な干渉を与える可能性がある。 ノイズの多いMRI画像の画素周波数情報を利用して、事前学習した拡散モデルを誘導し、クリーンなMRI画像の復元を行う新しい教師なし浄化法を提案する。
  論文  参考訳（メタデータ） (2024-12-10T15:25:18Z)
• 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)
• Reliable Joint Segmentation of Retinal Edema Lesions in OCT Images [55.83984261827332]
  本稿では,信頼性の高いマルチスケールウェーブレットエンハンストランスネットワークを提案する。 本研究では,ウェーブレット型特徴抽出器ネットワークとマルチスケール変圧器モジュールを統合したセグメンテーションバックボーンを開発した。 提案手法は,他の最先端セグメンテーション手法と比較して信頼性の高いセグメンテーション精度を実現する。
  論文  参考訳（メタデータ） (2022-12-01T07:32:56Z)
• 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)
• DeStripe: A Self2Self Spatio-Spectral Graph Neural Network with Unfolded Hessian for Stripe Artifact Removal in Light-sheet Microscopy [40.223974943121874]
  本稿では,光シート蛍光顕微鏡(LSFM)におけるDeStripeと呼ばれるブラインドアーティファクト除去アルゴリズムを提案する。 DeStripeは、一方向のアーティファクトと前景の画像の構造的差異を利用して、潜在的に破損した係数をローカライズする。 影響された係数をグラフニューラルネットワークに入力して、標準画像空間の構造が十分に保存されていることを保証するために、ヘッセン正規化をアンロールした状態でリカバリすることができる。
  論文  参考訳（メタデータ） (2022-06-27T16:13:57Z)

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。