文献

J-GLOBAL ID：202002269781609500   整理番号：20A2712211

EEG信号からのアーチファクト除去のためのCat Swarm分数計算最適化ベース深層学習【JST・京大機械翻訳】

Cat Swarm Fractional Calculus optimization-based deep learning for artifact removal from EEG signal

著者 (3件)： Anem Jayalaxmi (ECE, Aditya Institute of Technology and Management, Tekkali, India) ,  Kumar G. Sateesh (ECE, Aditya Institute of Technology and Management, Tekkali, India) ,  Madhu R. (ECE, Jawaharlal Nehru Technological University, Kakinada, India)
資料名： Journal of Experimental & Theoretical Artificial Intelligence  (Journal of Experimental & Theoretical Artificial Intelligence)
巻： 32  号： 6  ページ： 939-958  発行年： 2020年 
JST資料番号： T0934A  ISSN： 0952-813X  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： イギリス (GBR)  言語： 英語 (EN)

抄録/ポイント： ABSTRACT:脳波(EEG)シグナルは脳活動の解析に一般的に使用される。EEG信号は小さな振幅を持ち,従って,それらはアーチファクトによってしばしば影響を受ける。効率的な処理のために,EEG信号からアーチファクトを除去する必要がある。本論文では,EEG信号に存在するアーチファクトを除去する深層学習方式による技術を開発した。最初に,EEG信号を前処理し,特徴抽出プロセスに提供し,ウェーブレット変換を適用することによりウェーブレット特徴を信号から抽出した。抽出した特徴を,EEG信号からアーチファクトを除去するため,提案した分類器,すなわち深いConvLSTMに提供した。ここでは,深い学習者を,Cat Swarm最適化(CSO)と分数Calculus(FC)の統合である,提案したCat Swarm分数Calculus最適化(CSFCO)アルゴリズムに基づいて訓練した。EEG信号上のECG,EMG,EOGおよびランダム雑音のようなアーチファクトを導入することによって,提案技法の実験を行った。提案した深いConvLSTMに関するシミュレーション結果は,MSE,RMSE,およびSNRに対して,提案したフレームワークが,それぞれ3888.362,62.36,および69.939dBの値を有する比較技術より良い性能を有することを示した。Please refer to the publisher for the copyright holders. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： アルゴリズム ,  *最適化 ,  シミュレーション ,  計算機シミュレーション ,  脳波 ,  前処理 ,  特徴抽出 ,  波束 ,  不規則雑音 ,  *アーチファクト ,  ウェーブレット変換
準シソーラス用語： 学習者 ,  脳活動 ,  *アーチファクト除去 ,  *脳波信号 ,  *深層学習 , 【Automatic Indexing@JST】

著者キーワード (5件)： EEG信号 ,  アーチファクト ,  ウェーブレット変換 ,  深い学習者 ,  LSTMネットワーク

分類 (1件)： 生体計測  (EL03020C)

タイトルに関連する用語 (7件)： EEG信号 ,  アーチファクト除去 ,  CAT ,  分数 ,  計算 ,  最適化 ,  深層学習