論文の概要: Cross-Subject DD: A Cross-Subject Brain-Computer Interface Algorithm
- arxiv url: http://arxiv.org/abs/2507.05268v1
- Date: Wed, 02 Jul 2025 09:53:15 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-07-09 16:34:37.166123
- Title: Cross-Subject DD: A Cross-Subject Brain-Computer Interface Algorithm
- Title（参考訳）: クロスオブジェクトDD:クロスオブジェクト脳-コンピュータインタフェースアルゴリズム
- Authors: Xiaoyuan Li, Xinru Xue, Bohan Zhang, Ye Sun, Shoushuo Xi, Gang Liu,
- Abstract要約: 運動画像に基づく脳-コンピュータインタフェース(BCI)は、脳内で発生した脳波(EEG)を想像運動中に復号することで、外部デバイスを直接制御することができる。
既存のBCIモデルでは、対象に対する適応性が低く、一般化性や適用範囲が限られている。
本稿では,対象物間で共通する特徴を抽出し,汎用的なBCIモデルを構築するクロスオブジェクトBCIアルゴリズムであるCSDDを提案する。
- 参考スコア（独自算出の注目度）: 6.612070142961214
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Brain-computer interface (BCI) based on motor imagery (MI) enables direct control of external devices by decoding the electroencephalogram (EEG) generated in the brain during imagined movements. However, due to inter-individual variability in brain activity, existing BCI models exhibit poor adaptability across subjects, thereby limiting their generalizability and widespread application. To address this issue, this paper proposes a cross-subject BCI algorithm named Cross-Subject DD (CSDD), which constructs a universal BCI model by extracting common features across subjects. The specific methods include: 1) training personalized models for each subject; 2) transforming personalized models into relation spectrums; 3) identifying common features through statistical analysis; and 4) constructing a cross-subject universal model based on common features. The experiments utilized the BCIC IV 2a dataset, involving nine subjects. Eight of these subjects were selected for training and extracing the common features, and the cross-subject decoding performance of the model was validated on the remaining subject. The results demonstrate that, compared with existing similar methods, our approach achieves a 3.28% improvement in performance. This paper introduces for the first time a novel method for extracting pure common features and constructing a universal cross-subject BCI model, thereby facilitating broader applications of BCI technology.
- Abstract（参考訳）: 運動画像(MI)に基づく脳-コンピュータインタフェース(BCI)は、脳内脳波(EEG)を想像運動中にデコードすることで、外部デバイスを直接制御することができる。
しかし、脳活動の個人間変動のため、既存のBCIモデルでは被験者間の適応性が低いため、一般化可能性や広範囲な応用が制限される。
この問題に対処するために,クロスオブジェクトDD (CSDD) と呼ばれるクロスオブジェクトBCIアルゴリズムを提案する。
具体的な方法は以下のとおりである。
1)各科目ごとにパーソナライズされたモデルを訓練すること。
2 パーソナライズされたモデルを関係スペクトルに変換すること。
3) 統計分析による共通特徴の同定,及び
4)共通特徴に基づくクロスオブジェクトユニバーサルモデルの構築。
実験では、BCIC IV 2aデータセットを使用し、9つの被験者が参加した。
これらのうち8つの被験者が共通特徴の訓練と引き抜きのために選択され、残りの被験者でモデルのクロスオブジェクト復号性能が検証された。
その結果,既存の類似手法と比較して3.28%の性能向上が得られた。
本稿では, 純粋な共通特徴を抽出し, 汎用なオブジェクト間BCIモデルを構築する新しい手法を初めて紹介し, より広範なBCI技術の応用を容易にする。
関連論文リスト
- AdaBrain-Bench: Benchmarking Brain Foundation Models for Brain-Computer Interface Applications [52.91583053243446]
非侵襲的なBrain-Computer Interface(BCI)は、人間の脳を外部デバイスに接続する安全でアクセスしやすい手段を提供する。
近年,自己指導型プレトレーニングの導入により,非侵襲的BCI研究の展望が変化しつつある。
AdaBrain-Benchは、広範囲にわたる非侵襲的BCIタスクにおける脳基盤モデルを評価するための標準化されたベンチマークである。
論文 参考訳（メタデータ） (2025-07-14T03:37:41Z) - CSBrain: A Cross-scale Spatiotemporal Brain Foundation Model for EEG Decoding [57.90382885533593]
脳波信号の一般化のためのクロススケール時空間脳基盤モデルを提案する。
CSBrainはタスク固有のベースラインと基盤モデルのベースラインを一貫して上回ります。
これらの結果は、CSBrainを将来の脳-AI研究の強力なバックボーンとして、重要な帰納バイアスとして、クロススケールモデリングを確立している。
論文 参考訳（メタデータ） (2025-06-29T03:29:34Z) - AnyBody: A Benchmark Suite for Cross-Embodiment Manipulation [59.671764778486995]
ロボット工学におけるスケーラブルで伝達可能な学習を実現する上で、新しい実施形態に対する制御ポリシーの一般化は、依然として根本的な課題である。
本稿では,多種多様な形態素を横断する2つの基礎的タスクリーチとプッシュアラウンドに着目し,クロスボデーメント操作の学習のためのベンチマークを紹介する。
異なるRLポリシーが複数の形態から学習し、新しい政策に一般化する能力を評価する。
論文 参考訳（メタデータ） (2025-05-21T00:21:38Z) - UniBrain: A Unified Model for Cross-Subject Brain Decoding [22.49964298783508]
被験者固有のパラメータを必要としない統一脳復号モデルUniBrainを提案する。
提案手法は, 可変fMRI信号長を扱うグループベース抽出器, クロスオブジェクトの共通点を捕捉する相互支援組込み器, 被写体不変特徴を抽出するバイレベル特徴アライメント方式を含む。
我々は、UniBrainを脳復号ベンチマークで検証し、パラメータが極端に少ない現在の最先端の主題特化モデルに匹敵する性能を実現した。
論文 参考訳（メタデータ） (2024-12-27T07:03:47Z) - Quantifying Spatial Domain Explanations in BCI using Earth Mover's Distance [6.038190786160174]
BCIは、人間とコンピュータの独特なコミュニケーションを促進し、障害のある個人に利益をもたらす。
BCIのパフォーマンスを評価し、説明することが不可欠で、潜在的ユーザに対して、期待通り動作しない場合にフラストレーションを避けるための明確な説明を提供する。
論文 参考訳（メタデータ） (2024-05-02T13:35:15Z) - MindBridge: A Cross-Subject Brain Decoding Framework [60.58552697067837]
脳の復号化は、獲得した脳信号から刺激を再構築することを目的としている。
現在、脳の復号化はモデルごとのオブジェクトごとのパラダイムに限られている。
我々は,1つのモデルのみを用いることで,オブジェクト間脳デコーディングを実現するMindBridgeを提案する。
論文 参考訳（メタデータ） (2024-04-11T15:46:42Z) - Motor Imagery Decoding Using Ensemble Curriculum Learning and
Collaborative Training [11.157243900163376]
マルチオブジェクトEEGデータセットは、いくつかの種類のドメインシフトを示す。
これらの領域シフトは、堅牢なクロスオブジェクトの一般化を妨げる。
複数の特徴抽出器を組み込んだ2段階モデルアンサンブルアーキテクチャを提案する。
我々のモデルアンサンブルアプローチはカリキュラム学習と協調学習の力を組み合わせたものであることを実証する。
論文 参考訳（メタデータ） (2022-11-21T13:45:44Z) - 2021 BEETL Competition: Advancing Transfer Learning for Subject
Independence & Heterogenous EEG Data Sets [89.84774119537087]
我々は、診断とBCI(Brain-Computer-Interface)に関する2つの伝達学習課題を設計する。
第1タスクは、患者全体にわたる自動睡眠ステージアノテーションに対処する医療診断に重点を置いている。
タスク2はBrain-Computer Interface (BCI)に集中しており、被験者とデータセットの両方にわたる運動画像のデコードに対処する。
論文 参考訳（メタデータ） (2022-02-14T12:12:20Z) - Confidence-Aware Subject-to-Subject Transfer Learning for Brain-Computer
Interface [3.2550305883611244]
脳波(EEG)のイントラオブジェクト間変動は脳-コンピュータインターフェース(BCI)の実用化を困難にしている。
TLトレーニングのための高信頼度対象のみを用いたBCIフレームワークを提案する。
本フレームワークでは,低損失トリックに基づく協調学習アルゴリズムを用いて,TLプロセスの有用な対象を選択し,ノイズのある対象を除外する。
論文 参考訳（メタデータ） (2021-12-15T15:23:23Z) - Adversarial Sample Enhanced Domain Adaptation: A Case Study on
Predictive Modeling with Electronic Health Records [57.75125067744978]
ドメイン適応を容易にするデータ拡張手法を提案する。
逆生成したサンプルはドメイン適応時に使用される。
その結果,本手法の有効性とタスクの一般性が確認された。
論文 参考訳（メタデータ） (2021-01-13T03:20:20Z) - Performance of Dual-Augmented Lagrangian Method and Common Spatial
Patterns applied in classification of Motor-Imagery BCI [68.8204255655161]
運動画像に基づく脳-コンピュータインタフェース(MI-BCI)は、神経リハビリテーションのための画期的な技術になる可能性がある。
使用する脳波信号のノイズの性質のため、信頼性の高いBCIシステムは特徴の最適化と抽出のために特別な手順を必要とする。
論文 参考訳（メタデータ） (2020-10-13T20:50:13Z) - Deep brain state classification of MEG data [2.9048924265579124]
本稿では、Human Connectome Project(HCP)が提供するMEGデータと、様々な深層ニューラルネットワークモデルを組み合わせて脳復号を行う。
論文 参考訳（メタデータ） (2020-07-02T05:51:57Z)
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。