EEGにおけるEMGアーティファクト除去のための統計的混合専門家フレームワーク：経験的知見と概念実証アプリケーション
なぜ重要か: 企業や社会への影響が見込まれ、一般メディアにも波及する可能性があります。
arXiv:2509.19385v1発表タイプ：クロス
要旨：神経インターフェースの有効な制御は、信号品質の悪さによって制限されている。近年、筋電図（EMG）アーティファクトに対するニューラルネットワークベースの脳波（EEG）ノイズ除去手法は改善されてきたものの、現在の最先端（SOTA）モデルは高ノイズ環境では最適以下の性能を示す。既存の機械学習（ML）ベースのノイズ除去アルゴリズムの欠点を克服するため、我々は新たな混合専門家（MoE）フレームワークに基づく信号濾波アルゴリズムを提案する。本アルゴリズムは、EEG-EMGノイズ除去問題に関する3つの新たな統計的知見を活用する：(1) EMGアーティファクトは定量可能なサブタイプに分割でき、下流のMoE分類を支援する、(2) より狭い信号対雑音比（SNR）範囲で訓練された局所専門家は、専門化によって性能向上を達成できる、(3) 相関に基づく目的関数とリスケーリングアルゴリズムを組み合わせることで、ニューラルネットワークベースのノイズ除去コンテキストにおけるより高速な収束が可能となる。これらの3つの知見をEMGアーティファクト除去において実証的に示し、その知見を用いて、畳み込み（CNN）および回帰（RNN）ニューラルネットワークからなる新たな下流MoEノイズ除去アルゴリズムを作成した。全ての結果を、67人の被験者から収集された主要なベンチマークデータセット（EEGdenoiseNet）で試験した。その結果、提案するMoEノイズ除去モデルは、SOTA MLノイズ除去アルゴリズムと同等の総合性能を達成し、高ノイズ環境では優れた下限性能を示した。これらの予備的な結果は、特に高ノイズ環境におけるEEG処理のためのEMGアーティファクト除去における進歩を可能にするMoEフレームワークの可能性を示唆している。より広範な現実世界のテストケースでMoEフレームワークを評価し、より効果的な神経インターフェースを実現するための下流の可能性を探るためには、更なる研究開発が必要となる。
原文（英語）を表示
Title (EN): A Statistical Mixture-of-Experts Framework for EMG Artifact Removal in EEG: Empirical Insights and a Proof-of-Concept Application
arXiv:2509.19385v1 Announce Type: cross
Abstract: Effective control of neural interfaces is limited by poor signal quality. While neural network-based electroencephalography (EEG) denoising methods for electromyogenic (EMG) artifacts have improved in recent years, current state-of-the-art (SOTA) models perform suboptimally in settings with high noise. To address the shortcomings of current machine learning (ML)-based denoising algorithms, we present a signal filtration algorithm driven by a new mixture-of-experts (MoE) framework. Our algorithm leverages three new statistical insights into the EEG-EMG denoising problem: (1) EMG artifacts can be partitioned into quantifiable subtypes to aid downstream MoE classification, (2) local experts trained on narrower signal-to-noise ratio (SNR) ranges can achieve performance increases through specialization, and (3) correlation-based objective functions, in conjunction with rescaling algorithms, can enable faster convergence in a neural network-based denoising context. We empirically demonstrate these three insights into EMG artifact removal and use our findings to create a new downstream MoE denoising algorithm consisting of convolutional (CNN) and recurrent (RNN) neural networks. We tested all results on a major benchmark dataset (EEGdenoiseNet) collected from 67 subjects. We found that our MoE denoising model achieved competitive overall performance with SOTA ML denoising algorithms and superior lower bound performance in high noise settings. These preliminary results highlight the promise of our MoE framework for enabling advances in EMG artifact removal for EEG processing, especially in high noise settings. Further research and development will be necessary to assess our MoE framework on a wider range of real-world test cases and explore its downstream potential to unlock more effective neural interfaces.
Published: 2025-09-24 19:00 UTC