Daily Arxiv

世界中で発行される人工知能関連の論文をまとめるページです。
このページはGoogle Geminiを活用して要約し、非営利で運営しています。
論文の著作権は著者および関連機関にあり、共有する際は出典を明記してください。

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

作者

Hossein Enshaei, Pariya Jebreili, Sayed Mahmoud Sakhaei

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

概要

本論文は、シングルチャンネルEEGで眼（EOG）、筋肉（EMG）、およびホワイトノイズアーチファクトをリアルタイムで検出して分類するためのハイブリッドスペクトル - 時間フレームワークを提案します。このフレームワークは、時間領域ローパスフィルタリングと周波数領域電力スペクトル密度（PSD）分析を組み合わせて特徴を抽出し、主成分分析（PCA）ベースの特徴融合によって冗長性を最小限に抑えます。軽量多層パーセプトロン（MLP）アーキテクチャを活用して、高度なCNNとRNNよりも高い精度を達成し、同時マルチソース汚染問題（EMG + EOG +ホワイトノイズ）でも優れた性能を発揮します。トレーニング時間が短く、さまざまな信号対ノイズ比（SNR）環境で堅牢な性能を提供し、ウェアラブル脳 - コンピュータインターフェース（BCI）のリアルタイム利用可能性を高めます。

Takeaways、Limitations

•
Takeaways：
◦
単一チャネルEEGアーティファクト検出における精度と計算効率の両方を実現
◦
複雑なディープラーニングモデルよりもドメイン知識ベースの特徴融合が優れた性能を示すことを証明した。
◦
同時マルチソース汚染問題を解決することで,実環境での適用性を向上
◦
リアルタイムBCIアプリケーションに適した高速で堅牢なパフォーマンスを提供します。
•
Limitations:
◦
単一チャネルEEGデータに局在し、マルチチャネルEEGデータの一般化の欠如。
◦
提案されたフレームワークのパフォーマンスが他のアーティファクトタイプまたは複雑なノイズ環境で同じままであることを追加の検証が必要です。
◦
PCAベースの特徴融合時の次元縮小による情報損失の可能性
👍
Made with Slashpage