Daily Arxiv

전 세계에서 발간되는 인공지능 관련 논문을 정리하는 페이지 입니다.
본 페이지는 Google Gemini를 활용해 요약 정리하며, 비영리로 운영 됩니다.
논문에 대한 저작권은 저자 및 해당 기관에 있으며, 공유 시 출처만 명기하면 됩니다.

Real-time Noise Detection and Classification in Single-Channel EEG: A Lightweight Machine Learning Approach for EMG, White Noise, and EOG Artifacts

Created by
  • Haebom

저자

Hossein Enshaei, Pariya Jebreili, Sayed Mahmoud Sakhaei

Electroencephalogram (EEG) Artifact Detection: A Hybrid Spectral-Temporal Framework

개요

본 논문은 단일 채널 EEG에서 안구(EOG), 근육(EMG) 및 백색 잡음 아티팩트를 실시간으로 감지하고 분류하기 위한 하이브리드 스펙트럼-시간 프레임워크를 제안합니다. 이 프레임워크는 시간 도메인 저역 통과 필터링과 주파수 도메인 전력 스펙트럼 밀도(PSD) 분석을 결합하여 특징을 추출하고, 주성분 분석(PCA) 기반 특징 융합을 통해 중복성을 최소화합니다. 경량 다층 퍼셉트론(MLP) 아키텍처를 활용하여 고급 CNN 및 RNN보다 높은 정확도를 달성하고, 동시 다중 소스 오염 문제(EMG+EOG+백색 잡음)에서도 우수한 성능을 보입니다. 훈련 시간이 짧고, 다양한 신호 대 잡음비(SNR) 환경에서 견고한 성능을 제공하여, 웨어러블 뇌-컴퓨터 인터페이스(BCI)의 실시간 활용 가능성을 높입니다.

시사점, 한계점

•
시사점:
◦
단일 채널 EEG 아티팩트 감지에서 정확성과 계산 효율성을 모두 달성.
◦
복잡한 딥러닝 모델보다 도메인 지식 기반 특징 융합이 우수한 성능을 보일 수 있음을 입증.
◦
동시 다중 소스 오염 문제를 해결하여 실제 환경에서의 적용 가능성 향상.
◦
실시간 BCI 응용 프로그램에 적합한 빠르고 견고한 성능 제공.
•
한계점:
◦
단일 채널 EEG 데이터에 국한되어, 다중 채널 EEG 데이터에 대한 일반화 부족.
◦
제안된 프레임워크의 성능이 다른 아티팩트 유형이나 복잡한 잡음 환경에서 동일하게 유지되는지 추가적인 검증 필요.
◦
PCA 기반 특징 융합 시, 차원 축소로 인한 정보 손실 가능성.
👍
Made with Slashpage