論文の概要: NeuroPhysNet: A FitzHugh-Nagumo-Based Physics-Informed Neural Network Framework for Electroencephalograph (EEG) Analysis and Motor Imagery Classification

• arxiv url: http://arxiv.org/abs/2506.13222v1
• Date: Mon, 16 Jun 2025 08:21:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-17 17:28:47.792884
• Title: NeuroPhysNet: A FitzHugh-Nagumo-Based Physics-Informed Neural Network Framework for Electroencephalograph (EEG) Analysis and Motor Imagery Classification
• Title（参考訳）: NeuroPhysNet:脳波解析と運動画像分類のためのFitzHugh-Nagumo-based Physics-Informed Neural Network Framework
• Authors: Zhenyu Xia, Xinlei Huang, Suvash C. Saha,
• Abstract要約: EEG分析はノイズ、非定常性、オブジェクト間の変動など、大きな課題に直面している。 本研究では,脳波信号解析と運動画像分類に適した新しい物理情報ニューラルネットワーク(PINN)フレームワークであるNeuroPhysNetを紹介する。 NeuroPhysNetはFitzHugh-Nagumoモデルを導入し、予測を制約し、モデルの堅牢性を高めるために神経力学の原理を組み込んだ。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Electroencephalography (EEG) is extensively employed in medical diagnostics and brain-computer interface (BCI) applications due to its non-invasive nature and high temporal resolution. However, EEG analysis faces significant challenges, including noise, nonstationarity, and inter-subject variability, which hinder its clinical utility. Traditional neural networks often lack integration with biophysical knowledge, limiting their interpretability, robustness, and potential for medical translation. To address these limitations, this study introduces NeuroPhysNet, a novel Physics-Informed Neural Network (PINN) framework tailored for EEG signal analysis and motor imagery classification in medical contexts. NeuroPhysNet incorporates the FitzHugh-Nagumo model, embedding neurodynamical principles to constrain predictions and enhance model robustness. Evaluated on the BCIC-IV-2a dataset, the framework achieved superior accuracy and generalization compared to conventional methods, especially in data-limited and cross-subject scenarios, which are common in clinical settings. By effectively integrating biophysical insights with data-driven techniques, NeuroPhysNet not only advances BCI applications but also holds significant promise for enhancing the precision and reliability of clinical diagnostics, such as motor disorder assessments and neurorehabilitation planning.
• Abstract（参考訳）: 脳波検査(EEG)は、非侵襲的な性質と高時間分解能のため、医療診断や脳-コンピュータインターフェース(BCI)の応用に広く用いられている。 しかし、脳波分析はノイズ、非定常性、物体間変動など重要な課題に直面しており、臨床効果を妨げている。 伝統的なニューラルネットワークは、しばしば生物物理学的な知識との統合を欠き、解釈可能性、堅牢性、医学翻訳の可能性を制限する。 本研究は,脳波信号解析と運動画像分類に適した新しい物理情報ニューラルネットワーク(PINN)フレームワークであるNeuroPhysNetを紹介する。 NeuroPhysNetはFitzHugh-Nagumoモデルを導入し、予測を制約し、モデルの堅牢性を高めるために神経力学の原理を組み込んだ。 BCIC-IV-2aデータセットを用いて評価し、特に臨床現場で一般的なデータ限定・クロスオブジェクトシナリオにおいて、従来の手法に比べて精度と一般化が優れていた。 バイオ物理の洞察をデータ駆動技術と効果的に統合することにより、NeuroPhysNetはBCIの応用を前進させるだけでなく、運動障害評価や神経リハビリテーション計画といった臨床診断の精度と信頼性を高めるための重要な約束も持っている。

関連論文リスト

• NOBLE -- Neural Operator with Biologically-informed Latent Embeddings to Capture Experimental Variability in Biological Neuron Models [68.89389652724378]
  NOBLEは、解釈可能なニューロンの特徴を連続周波数変調した埋め込みから電流注入によって誘導されるソマティック電圧応答へのマッピングを学ぶ神経オペレーターフレームワークである。 内在的な実験変数を考慮したニューラルダイナミクスの分布を予測する。 NOBLEは、実際の実験データに基づいて検証された最初のスケールアップされたディープラーニングフレームワークである。
  論文  参考訳（メタデータ） (2025-06-05T01:01:18Z)
• EG-SpikeFormer: Eye-Gaze Guided Transformer on Spiking Neural Networks for Medical Image Analysis [32.59232529143777]
  医用画像の診断関連領域に注意を向けるために、眼球データを含む臨床作業に適したSNNアーキテクチャであるEG-SpikeFormerを紹介する。 提案手法は,特に臨床データに制限があり,信頼性,汎用性,透明性が要求されるシナリオにおいて,従来のモデルでよく見られるショートカット学習の問題に効果的に対処する。 我々のEG-SpikeFormerは、医療画像予測タスクにおいて優れたエネルギー効率と性能を示すだけでなく、マルチモーダル情報アライメントによる臨床関連性を高める。
  論文  参考訳（メタデータ） (2024-10-12T23:54:44Z)
• Hybrid Spiking Neural Networks for Low-Power Intra-Cortical Brain-Machine Interfaces [42.72938925647165]
  皮質内脳-機械界面(iBMI)は麻痺患者の生活を劇的に改善する可能性がある。 現在のiBMIは、ハードウェアと配線が大きすぎるため、スケーラビリティとモビリティの制限に悩まされている。 無線iBMIにおける組込みニューラルデコーディングのためのハイブリッドスパイキングニューラルネットワークについて検討している。
  論文  参考訳（メタデータ） (2024-09-06T17:48:44Z)
• L-SFAN: Lightweight Spatially-focused Attention Network for Pain Behavior Detection [44.016805074560295]
  慢性的な腰痛 (CLBP) は世界中の何百万もの患者を悩ませており、個人の健康や医療システムに対する経済的負担に大きな影響を及ぼす。 人工知能(AI)とディープラーニングは、リハビリ戦略を改善するために痛みに関連する行動を分析するための有望な道を提供するが、畳み込みニューラルネットワーク(CNN)を含む現在のモデルには限界がある。 我々は、モーションキャプチャーと表面筋電図センサからデータの空間的時間的相互作用をキャプチャする2Dフィルタを組み込んだ軽量CNNアーキテクチャであるhbox EmoL-SFANを紹介する。
  論文  参考訳（メタデータ） (2024-06-07T12:01:37Z)
• Physics-informed Neural Network Estimation of Material Properties in Soft Tissue Nonlinear Biomechanical Models [2.8763745263714005]
  物理インフォームドニューラルネットワーク(PINN)と3次元軟組織非線形生体力学モデルを組み合わせた新しいアプローチを提案する。 提案した学習アルゴリズムは、限られた量の変位から情報を符号化し、場合によっては、臨床環境で日常的に取得できる歪みデータを符号化する。 提案手法の精度とロバスト性を示すために,いくつかのベンチマークを行った。
  論文  参考訳（メタデータ） (2023-12-15T13:41:20Z)
• Promises and pitfalls of deep neural networks in neuroimaging-based psychiatric research [0.9449650062296824]
  ディープニューラルネットワーク、特に畳み込みニューラルネットワークは、医療画像の強力なツールへと進化してきた。 ここでは、まず、方法論的鍵概念と結果の方法論的約束について紹介する。 神経画像に基づく精神医学研究における最近の応用を振り返り、現在の課題について論じる。
  論文  参考訳（メタデータ） (2023-01-20T12:05:59Z)
• EINNs: Epidemiologically-Informed Neural Networks [75.34199997857341]
  本稿では,疫病予測のための新しい物理インフォームドニューラルネットワークEINNを紹介する。 メカニスティックモデルによって提供される理論的柔軟性と、AIモデルによって提供されるデータ駆動表現性の両方を活用する方法について検討する。
  論文  参考訳（メタデータ） (2022-02-21T18:59:03Z)
• Neuro-symbolic Neurodegenerative Disease Modeling as Probabilistic Programmed Deep Kernels [93.58854458951431]
  本稿では、神経変性疾患のパーソナライズされた予測モデリングのための、確率的プログラムによる深層カーネル学習手法を提案する。 我々の分析は、ニューラルネットワークとシンボリック機械学習のアプローチのスペクトルを考慮する。 我々は、アルツハイマー病の予測問題について評価を行い、深層学習を超越した結果を得た。
  論文  参考訳（メタデータ） (2020-09-16T15:16:03Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。