論文の概要: Zero-Shot EEG-to-Gait Decoding via Phase-Aware Representation Learning

• arxiv url: http://arxiv.org/abs/2506.22488v1
• Date: Tue, 24 Jun 2025 06:03:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-01 21:27:53.410783
• Title: Zero-Shot EEG-to-Gait Decoding via Phase-Aware Representation Learning
• Title（参考訳）: 位相認識表現学習によるゼロショットEEG-to-Gaitデコーディング
• Authors: Xi Fu, Weibang Jiang, Rui Liu, Gernot R. Müller-Putz, Cuntai Guan,
• Abstract要約: ドメイン一般化型脳波-モーションデコーディングフレームワークであるNeuroDyGaitを提案する。 構造化されたコントラスト表現学習とリレーショナルドメインモデリングを使用して、脳波とモーション埋め込みのセマンティックアライメントを実現する。 ベンチマークデータセットのクロスオブジェクト歩行復号における適応や優れた性能を必要とせずに、見えない個人に対するゼロショットモーション予測を実現する。
• 参考スコア（独自算出の注目度）: 9.49131859415923
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate decoding of lower-limb motion from EEG signals is essential for advancing brain-computer interface (BCI) applications in movement intent recognition and control. However, challenges persist in achieving causal, phase-consistent predictions and in modeling both inter- and intra-subject variability. To address these issues, we propose NeuroDyGait, a domain-generalizable EEG-to-motion decoding framework that leverages structured contrastive representation learning and relational domain modeling. The proposed method employs relative contrastive learning to achieve semantic alignment between EEG and motion embeddings. Furthermore, a multi-cycle gait reconstruction objective is introduced to enforce temporal coherence and maintain biomechanical consistency. To promote inter-session generalization, during fine-tuning, a domain dynamic decoding mechanism adaptively assigns session-specific prediction heads and learns to mix their outputs based on inter-session relationships. NeuroDyGait enables zero-shot motion prediction for unseen individuals without requiring adaptation and achieves superior performance in cross-subject gait decoding on benchmark datasets. Additionally, it demonstrates strong phase-detection capabilities even without explicit phase supervision during training. These findings highlight the potential of relational domain learning in enabling scalable, target-free deployment of BCIs.
• Abstract（参考訳）: 脳波信号からの下肢運動の正確な復号化は、運動意図認識および制御における脳-コンピュータインタフェース(BCI)の進歩に不可欠である。 しかし、因果的、位相一貫性のある予測を達成し、物体間の変動と物体内変動の両方をモデル化することは困難である。 これらの問題に対処するために、構造化されたコントラスト表現学習とリレーショナルドメインモデリングを利用する、領域一般化可能なEEG-to-motionデコーディングフレームワークであるNeuroDyGaitを提案する。 提案手法は,脳波と運動埋め込みのセマンティックアライメントを実現するために,相対的コントラスト学習を用いる。 さらに、時間的コヒーレンスを強制し、生体力学的整合性を維持するために、多サイクル歩行再建目標を導入する。 ドメイン動的復号化機構は、微調整の間、セッション固有の予測ヘッドを適応的に割り当て、セッション間関係に基づいて出力を混合することを学ぶ。 NeuroDyGaitは、適応を必要とせずに、見えない個人に対するゼロショットモーション予測を可能にし、ベンチマークデータセットでのクロスオブジェクト歩行復号において優れたパフォーマンスを達成する。 さらに、トレーニング中に明確な位相監視がなくても、強力な位相検出能力を示す。 これらの知見は、BCIのスケーラブルでターゲットレスなデプロイを可能にするためのリレーショナルドメイン学習の可能性を強調している。

関連論文リスト

• Neuro-Informed Joint Learning Enhances Cognitive Workload Decoding in Portable BCIs [1.0104586293349587]
  ミューズヘッドバンドは、日常的な脳-コンピュータインターフェースアプリケーションに前例のないモビリティを提供する。 携帯型脳波信号の非定常性はデータの忠実度と復号精度を制約する。 自己指導と教師付きトレーニングパラダイムを統合した統合型共同学習フレームワークであるMuseCogNetを提案する。
  論文  参考訳（メタデータ） (2025-06-30T01:42:31Z)
• Neural Network Reprogrammability: A Unified Theme on Model Reprogramming, Prompt Tuning, and Prompt Instruction [55.914891182214475]
  モデル適応のための統一フレームワークとして,ニューラルネットワークの再プログラム可能性を導入する。 本稿では,4つの重要な側面にまたがる情報操作アプローチを分類する分類法を提案する。 残る技術的課題や倫理的考察も分析する。
  論文  参考訳（メタデータ） (2025-06-05T05:42:27Z)
• PhysLLM: Harnessing Large Language Models for Cross-Modal Remote Physiological Sensing [49.243031514520794]
  LLM(Large Language Models)は、テキスト中心の設計のため、長距離信号の取得に優れる。 PhysLLMは最先端の精度とロバスト性を実現し、照明のバリエーションや動きのシナリオにまたがる優れた一般化を示す。
  論文  参考訳（メタデータ） (2025-05-06T15:18:38Z)
• Causality-Aware Transformer Networks for Robotic Navigation [13.719643934968367]
  Visual Navigationの現在の研究は、改善の機会を明らかにしている。 RNNとTransformerの直接的な採用はしばしば、Embodied AIと従来のシーケンシャルなデータモデリングの具体的な違いを見落としている。 因果理解モジュールを特徴とするナビゲーション用因果認識変換器(CAT)ネットワークを提案する。
  論文  参考訳（メタデータ） (2024-09-04T12:53:26Z)
• CSLP-AE: A Contrastive Split-Latent Permutation Autoencoder Framework for Zero-Shot Electroencephalography Signal Conversion [49.1574468325115]
  脳波分析の鍵となる目的は、基礎となる神経活動(コンテンツ)を抽出し、個体の変動(スタイル)を考慮することである。 近年の音声変換技術の発展に触発されて,脳波変換を直接最適化するCSLP-AEフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-11-13T22:46:43Z)
• A Dynamic Domain Adaptation Deep Learning Network for EEG-based Motor Imagery Classification [1.7465786776629872]
  動的ドメイン適応型ディープラーニングネットワーク(DADL-Net)を提案する。 まず、脳波データを3次元幾何学空間にマッピングし、その時空間的特徴を3次元畳み込みモジュールを通して学習する。 精度は70.42%と73.91%で、OpenBMIとBCIC IV 2aデータセットで達成された。
  論文  参考訳（メタデータ） (2023-09-21T01:34:00Z)
• Motion-Scenario Decoupling for Rat-Aware Video Position Prediction: Strategy and Benchmark [49.58762201363483]
  本研究では,個人や環境の影響要因を考慮し,生物ロボットの動き予測データセットであるRatPoseを紹介する。 本稿では,シナリオ指向とモーション指向を効果的に分離するDual-stream Motion-Scenario Decouplingフレームワークを提案する。 難易度が異なるタスクに対して,提案したtextitDMSD フレームワークの大幅な性能向上を示す。
  論文  参考訳（メタデータ） (2023-05-17T14:14:31Z)
• Subject Independent Emotion Recognition using EEG Signals Employing Attention Driven Neural Networks [2.76240219662896]
  主観非依存の感情認識が可能な新しいディープラーニングフレームワークを提案する。 タスクを実行するために、アテンションフレームワークを備えた畳み込みニューラルネットワーク(CNN)を提示する。 提案手法は、公開データセットを使用して検証されている。
  論文  参考訳（メタデータ） (2021-06-07T09:41:15Z)
• Domain Adaptive Robotic Gesture Recognition with Unsupervised Kinematic-Visual Data Alignment [60.31418655784291]
  本稿では,マルチモダリティ知識,すなわちキネマティックデータとビジュアルデータを同時にシミュレータから実ロボットに伝達できる,教師なしドメイン適応フレームワークを提案する。 ビデオの時間的手がかりと、ジェスチャー認識に対するマルチモーダル固有の相関を用いて、トランスファー可能な機能を強化したドメインギャップを修復する。 その結果, 本手法は, ACCでは最大12.91%, F1scoreでは20.16%と, 実際のロボットではアノテーションを使わずに性能を回復する。
  論文  参考訳（メタデータ） (2021-03-06T09:10:03Z)

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。