文献

J-GLOBAL ID：202102290119082547   整理番号：21A0442675

ディープエンコーダ-デコーダネットワークを用いたEEGチャネル内挿【JST・京大機械翻訳】

EEG Channel Interpolation Using Deep Encoder-decoder Networks

著者 (4件)： Saba-Sadiya Sari (Michigan State University, 428 S Shaw Ln,Department of Computer Science,East Lansing) ,  Alhanai Tuka (New York University, Abu Dhabi,Department of Electrical & Computer Engineering,Abu Dhabi) ,  Liu Taosheng (Michigan State University, 316 Physics Rd,Department of Psychology,East Lansing) ,  Ghassemi Mohammad M. (Michigan State University, 428 S Shaw Ln,Department of Computer Science,East Lansing)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2020  号： BIBM  ページ： 2432-2439  発行年： 2020年 
JST資料番号： W2441A  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 電極「ポップ」アーチファクトは表面と電極間の連結性の自然損失から生じる。脳波(EEG)は,高密度の電極を使用し,従って,ポップされたセグメントは,EEGデータの収集中に見られる最も普及したアーチファクトの型である。多くの場合,EEGデータの連続性は,下流アプリケーション(例えば,脳マシンインタフェイス)にとって重要であり,ポップドセグメントを正確に補間する必要がある。本論文では,深い符号器デコーダネットワークを用いた自己学習タスクとして補間問題をフレーム化した。このアプローチを,公的に利用可能なEEGデータセットの最新補間法と比較した。本アプローチは,モデル訓練中に使用しない被験者とタスクでテストされたとき,現代のアプローチに対して最小~15%の改善を示した。転送学習を用いた新しい被験者とタスクに関して,著者らのモデルの性能がさらにどのように強化できるかを示した。本研究に関連するすべてのコードとデータは,拡張と実用化の容易さを可能にするオープンソースである。著者らの知る限り,本研究は深層学習を用いるEEG補間問題に対する最初の解決策である。Copyright 2021 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 学習 ,  脳波 ,  *内挿法 ,  符号器 ,  連続性 ,  連結性 ,  チャネル ,  アーチファクト
準シソーラス用語： 被験者 ,  自己学習 ,  オープンソース ,  深層学習 , 【Automatic Indexing@JST】

分類 (1件)： 図形・画像処理一般  (JE04010I)

タイトルに関連する用語 (4件)： デコーダ ,  EEG ,  チャネル ,  内挿