Removing Neural Signal Artifacts with Autoencoder-Targeted Adversarial Transformers (AT-AT)

要約

筋電子生殖（EMG）ノイズは、脳特有の神経活動の正確な分析を妨げる可能性のあるEEGデータの主要な汚染源です。
EMGアーティファクトの除去に関する最近の文献は、機械学習ベースのシステムを支持して、従来の線形アルゴリズムを超えて移動しました。
ただし、既存の深い学習ベースのろ過方法には、多くの場合、大規模なコンピューティングフットプリントがあり、非常に長いトレーニング時間があります。
この研究では、自動エンコーダーをターゲットにした敵対的な変圧器（AT-AT）を使用して、EEGデータからのEMG干渉をフィルタリングするための新しい機械学習ベースのシステムを提示します。
自動エンコーダーの軽量表現力を活用して最適な時系列トランスアプリケーションサイトを決定することにより、当社のAT-ATアーキテクチャは、公開されたアーティファクト除去モデルと比較して、90％以上のモデルサイズ削減を実現します。
敵対的なトレーニングを追加することで、フィルタリングされた信号がEEGデータの基本的な特性に準拠することが保証されます。
67人の被験者から公開されたニューラルデータを使用してAT-ATをトレーニングし、システムがより大きなモデルに同等のテストパフォーマンスを達成できることを発見しました。
AT-ATは、-7 dB SNRで2 dB、0.70の初期信号対雑音比（SNR）で0.95を超える平均再構成相関係数を示しました。
これらの結果をこれらの孤立したテストケースを超えてより広いサンプルサイズに一般化するさらなる研究が重要です。
この研究の範囲外では、付録のAT-ATの実際の展開の結果も含めます。

要約(オリジナル)

Electromyogenic (EMG) noise is a major contamination source in EEG data that can impede accurate analysis of brain-specific neural activity. Recent literature on EMG artifact removal has moved beyond traditional linear algorithms in favor of machine learning-based systems. However, existing deep learning-based filtration methods often have large compute footprints and prohibitively long training times. In this study, we present a new machine learning-based system for filtering EMG interference from EEG data using an autoencoder-targeted adversarial transformer (AT-AT). By leveraging the lightweight expressivity of an autoencoder to determine optimal time-series transformer application sites, our AT-AT architecture achieves a >90% model size reduction compared to published artifact removal models. The addition of adversarial training ensures that filtered signals adhere to the fundamental characteristics of EEG data. We trained AT-AT using published neural data from 67 subjects and found that the system was able to achieve comparable test performance to larger models; AT-AT posted a mean reconstructive correlation coefficient above 0.95 at an initial signal-to-noise ratio (SNR) of 2 dB and 0.70 at -7 dB SNR. Further research generalizing these results to broader sample sizes beyond these isolated test cases will be crucial; while outside the scope of this study, we also include results from a real-world deployment of AT-AT in the Appendix.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google