ترجمه فارسی مقاله چگونه همگن‌سازی بزرگی کانال می‌تواند مدل طبقه‌بندی EEG را بهبود بخشد؟

چکیده

A significant challenge in the electroencephalogram EEG lies in the fact that current data representations involve multiple electrode signals, resulting in data redundancy and dominant lead information. However extensive research conducted on EEG classification focuses on designing model architectures without tackling the underlying issues. Otherwise, there has been a notable gap in addressing data preprocessing for EEG, leading to considerable computational overhead in Deep Learning (DL) processes. In light of these issues, we propose a simple yet effective approach for EEG data pre-processing. Our method first transforms the EEG data into an encoded image by an Inverted Channel-wise Magnitude Homogenization (ICWMH) to mitigate inter-channel biases. Next, we apply the edge detection technique on the EEG-encoded image combined with skip connection to emphasize the most significant transitions in the data while preserving structural and invariant information. By doing so, we can improve the EEG learning process efficiently without using a huge DL network. Our experimental evaluations reveal that we can significantly improve (i.e., from 2% to 5%) over current baselines.

چکیده به فارسی (ترجمه ماشینی)

یک چالش مهم در الکتروانسفالوگرام EEG در این واقعیت نهفته است که بازنمایی داده های فعلی شامل چندین سیگنال الکترود است که منجر به افزونگی داده ها و اطلاعات سرب غالب می شود.با این حال تحقیقات گسترده ای که در مورد طبقه بندی EEG انجام شده است ، بر طراحی معماری های مدل بدون مقابله با موضوعات اساسی متمرکز است.در غیر این صورت ، شکاف قابل توجهی در پرداختن به پیش پردازش داده ها برای EEG وجود داشته است ، که منجر به سربار محاسباتی قابل توجهی در فرآیندهای یادگیری عمیق (DL) می شود.با توجه به این موضوعات ، ما یک رویکرد ساده و در عین حال مؤثر برای پیش پردازش داده های EEG پیشنهاد می کنیم.روش ما برای اولین بار داده های EEG را به یک تصویر رمزگذاری شده توسط یک همگن سازی بزرگی کانال معکوس (ICWMH) تبدیل می کند تا تعصبات بین کانال را کاهش دهد.در مرحله بعد ، ما تکنیک تشخیص لبه را بر روی تصویر رمزگذاری شده EEG همراه با اتصال پرش اعمال می کنیم تا در ضمن حفظ اطلاعات ساختاری و ثابت ، مهمترین انتقال داده ها را تأکید کنیم.با این کار ، ما می توانیم بدون استفاده از یک شبکه بزرگ DL ، روند یادگیری EEG را به طور کارآمد بهبود بخشیم.ارزیابی های تجربی ما نشان می دهد که ما می توانیم به طور قابل توجهی (به عنوان مثال ، از 2 ٪ به 5 ٪) نسبت به خطوط فعلی بهبود یابد.