論文の概要: Tailoring deep learning for real-time brain-computer interfaces: From offline models to calibration-free online decoding

• arxiv url: http://arxiv.org/abs/2507.06779v1
• Date: Wed, 09 Jul 2025 12:11:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-10 17:37:43.575392
• Title: Tailoring deep learning for real-time brain-computer interfaces: From offline models to calibration-free online decoding
• Title（参考訳）: リアルタイム脳-コンピュータインタフェースのためのディープラーニング設計:オフラインモデルからキャリブレーションなしオンラインデコードへ
• Authors: Martin Wimpff, Jan Zerfowski, Bin Yang,
• Abstract要約: ほとんどのディープラーニング(DL)ソリューションはオフラインデコーディング用に設計されている。 オンラインデコードにおけるスライディングウィンドウは、計算の複雑さを大幅に増加させます。 DLモデルは一般的に大量のトレーニングデータを必要とし、しばしばBCIアプリケーションで不足する。 RAPは、オンラインデコード要件を満たすために、既存のオフラインDLモデルのプーリング層をシームレスに修正する。
• 参考スコア（独自算出の注目度）: 3.1265626879839923
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Despite the growing success of deep learning (DL) in offline brain-computer interfaces (BCIs), its adoption in real-time applications remains limited due to three primary challenges. First, most DL solutions are designed for offline decoding, making the transition to online decoding unclear. Second, the use of sliding windows in online decoding substantially increases computational complexity. Third, DL models typically require large amounts of training data, which are often scarce in BCI applications. To address these challenges and enable real-time, cross-subject decoding without subject-specific calibration, we introduce realtime adaptive pooling (RAP), a novel parameter-free method. RAP seamlessly modifies the pooling layers of existing offline DL models to meet online decoding requirements. It also reduces computational complexity during training by jointly decoding consecutive sliding windows. To further alleviate data requirements, our method leverages source-free domain adaptation, enabling privacy-preserving adaptation across varying amounts of target data. Our results demonstrate that RAP provides a robust and efficient framework for real-time BCI applications. It preserves privacy, reduces calibration demands, and supports co-adaptive BCI systems, paving the way for broader adoption of DL in online BCIs. These findings lay a strong foundation for developing user-centered, high-performance BCIs that facilitate immediate feedback and user learning.
• Abstract（参考訳）: オフライン脳コンピュータインタフェース(BCI)におけるディープラーニング(DL)の成功にもかかわらず、リアルタイムアプリケーションへの採用は3つの主要な課題のために制限されている。 まず、ほとんどのDLソリューションはオフラインデコード用に設計されており、オンラインデコードへの移行が不明確になっている。 第二に、オンラインデコードにおけるスライディングウィンドウの使用は、計算の複雑さを大幅に増大させる。 第3に、DLモデルは一般的に大量のトレーニングデータを必要とします。 これらの課題に対処し、主観的なキャリブレーションを伴わないリアルタイムなクロスオブジェクトデコーディングを実現するために、新しいパラメータフリー手法であるリアルタイム適応プーリング(RAP)を導入する。 RAPは、オンラインデコード要件を満たすために、既存のオフラインDLモデルのプーリング層をシームレスに修正する。 また、連続するスライディングウィンドウを共同でデコードすることで、トレーニング中の計算複雑性を低減する。 データ要求をさらに緩和するため,提案手法はソースフリーなドメイン適応を活用し,さまざまなターゲットデータに対するプライバシ保護の適応を可能にする。 我々の結果は、RAPがリアルタイムBCIアプリケーションのための堅牢で効率的なフレームワークを提供することを示した。 プライバシーを保護し、キャリブレーションの要求を減らし、協調適応型BCIシステムをサポートし、オンラインBCIにDLを広く採用する道を開く。 これらの知見は、迅速なフィードバックとユーザ学習を容易にする、ユーザ中心の高性能なBCIを開発するための強力な基盤となっている。

関連論文リスト

• Diverse Transformer Decoding for Offline Reinforcement Learning Using Financial Algorithmic Approaches [4.364595470673757]
  Portfolio Beam Search (PBS) はビームサーチ (BS) の簡便な代替手段である 我々は、推論時に逐次復号アルゴリズムに統合される不確実性を考慮した多様化機構を開発する。 D4RLベンチマークにおけるPBSの有効性を実証的に実証した。
  論文  参考訳（メタデータ） (2025-02-13T15:51:46Z)
• Offline Critic-Guided Diffusion Policy for Multi-User Delay-Constrained Scheduling [29.431945795881976]
  本稿では,新しいオフライン強化学習アルゴリズムである underlineScheduling を提案する。 プリコンパイルされたEmphofflineデータから、効率的なスケジューリングポリシを純粋に学習する。 我々は、SOCDは、部分的に観測可能で大規模な環境を含む、様々なシステム力学に耐性があることを示します。
  論文  参考訳（メタデータ） (2025-01-22T15:13:21Z)
• Online Adaptation of Language Models with a Memory of Amortized Contexts [82.02369596879817]
  MAC(Memory of Amortized Contexts)は、大規模言語モデルのための効率的かつ効果的なオンライン適応フレームワークである。 MACとMACを組み合わせれば,検索の高速化など,一般的な代替手段の性能が向上することを示す。
  論文  参考訳（メタデータ） (2024-03-07T08:34:57Z)
• Calibration-free online test-time adaptation for electroencephalography motor imagery decoding [3.5139431332194198]
  我々は,オンラインテスト時間適応(OTTA)の概念を考察し,推論時間中に教師なしの方法でモデルを継続的に適応させる。 提案手法では,適応プロセス中にソースデータにアクセスする必要がなくなることにより,プライバシの保護が保証される。 我々は、アライメント、適応バッチ正規化、エントロピー最小化といった様々なOTTA技術とともに、軽量なアーキテクチャを用いて、脳波(EEG)運動画像デコーディングの課題について検討する。
  論文  参考訳（メタデータ） (2023-11-30T12:53:43Z)
• Efficient Parallel Split Learning over Resource-constrained Wireless Edge Networks [44.37047471448793]
  本稿では,エッジコンピューティングパラダイムと並列分割学習(PSL)の統合を提唱する。 そこで本研究では,モデル学習を高速化するために,効率的な並列分割学習(EPSL)という革新的なPSLフレームワークを提案する。 提案するEPSLフレームワークは,目標精度を達成するために必要なトレーニング遅延を著しく低減することを示す。
  論文  参考訳（メタデータ） (2023-03-26T16:09:48Z)
• Real-Time GPU-Accelerated Machine Learning Based Multiuser Detection for 5G and Beyond [70.81551587109833]
  非線形ビームフォーミングフィルタは、大規模な接続を伴う定常シナリオにおいて、線形アプローチを著しく上回る。 主な課題の1つは、これらのアルゴリズムのリアルタイム実装である。 本稿では,大規模並列化によるAPSMに基づくアルゴリズムの高速化について検討する。
  論文  参考訳（メタデータ） (2022-01-13T15:20:45Z)
• Dynamic Network-Assisted D2D-Aided Coded Distributed Learning [59.29409589861241]
  本稿では,デバイス間のロードバランシングのための新しいデバイス・ツー・デバイス(D2D)支援型符号化学習手法(D2D-CFL)を提案する。 最小処理時間を達成するための最適圧縮率を導出し、収束時間との接続を確立する。 提案手法は,ユーザが継続的にトレーニングデータを生成するリアルタイム協調アプリケーションに有用である。
  論文  参考訳（メタデータ） (2021-11-26T18:44:59Z)

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。