論文の概要: AFPM: Alignment-based Frame Patch Modeling for Cross-Dataset EEG Decoding

• arxiv url: http://arxiv.org/abs/2507.11911v1
• Date: Wed, 16 Jul 2025 04:55:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-17 19:00:11.233679
• Title: AFPM: Alignment-based Frame Patch Modeling for Cross-Dataset EEG Decoding
• Title（参考訳）: AFPM: クロスデータセット脳波復号のためのアライメントベースのフレームパッチモデリング
• Authors: Xiaoqing Chen, Siyang Li, Dongrui Wu,
• Abstract要約: 脳波復号モデルのクロスデータセット学習のためのプラグイン・アンド・プレイフレームワークを提案する。 提案されたAFPMフレームワークは、モーターイメージが4.40%、イベント関連潜在的なタスクが3.58%まで向上する。 私たちの知る限り、これは最初のキャリブレーションなしクロスデータセットEEGデコーディングフレームワークです。
• 参考スコア（独自算出の注目度）: 17.5419909575685
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Electroencephalogram (EEG) decoding models for brain-computer interfaces (BCIs) struggle with cross-dataset learning and generalization due to channel layout inconsistencies, non-stationary signal distributions, and limited neurophysiological prior integration. To address these issues, we propose a plug-and-play Alignment-Based Frame-Patch Modeling (AFPM) framework, which has two main components: 1) Spatial Alignment, which selects task-relevant channels based on brain-region priors, aligns EEG distributions across domains, and remaps the selected channels to a unified layout; and, 2) Frame-Patch Encoding, which models multi-dataset signals into unified spatiotemporal patches for EEG decoding. Compared to 17 state-of-the-art approaches that need dataset-specific tuning, the proposed calibration-free AFPM achieves performance gains of up to 4.40% on motor imagery and 3.58% on event-related potential tasks. To our knowledge, this is the first calibration-free cross-dataset EEG decoding framework, substantially enhancing the practicalness of BCIs in real-world applications.
• Abstract（参考訳）: 脳-コンピュータインタフェース(BCI)のための脳波デコードモデル(EEG)は、チャネルレイアウトの不整合、非定常信号分布、神経生理学的事前統合の制限により、データセット間の学習と一般化に苦慮している。 これらの問題に対処するため、我々は2つの主要なコンポーネントを持つアライメントベースのフレーム・パッチ・モデリング(AFPM)フレームワークを提案する。 1)脳領域事前に基づいてタスク関連チャネルを選択する空間アライメント(Spatial Alignment)は、領域間の脳波分布を調整し、選択したチャネルを統一的なレイアウトに再マップする。 2) フレームパッチ符号化(Frame-Patch Encoding)は,マルチデータセット信号を脳波復号のための一括時空間パッチにモデル化する。 データセット固有のチューニングを必要とする17の最先端アプローチと比較して、提案されたキャリブレーションフリーAFPMは、モーターイメージで最大4.40%、イベント関連の潜在的なタスクで3.58%のパフォーマンス向上を実現している。 我々の知る限り、これは最初のキャリブレーションなしクロスデータセットEEGデコーディングフレームワークであり、実世界のアプリケーションにおけるBCIの実用性を大幅に向上させる。

関連論文リスト

• AHDMIL: Asymmetric Hierarchical Distillation Multi-Instance Learning for Fast and Accurate Whole-Slide Image Classification [51.525891360380285]
  AHDMILは非対称な階層的蒸留マルチインスタンス学習フレームワークである。 2段階のトレーニングプロセスを通じて、無関係なパッチを排除します。 分類性能と推論速度の両方において、従来の最先端手法を一貫して上回っている。
  論文  参考訳（メタデータ） (2025-08-07T07:47:16Z)
• BrainOmni: A Brain Foundation Model for Unified EEG and MEG Signals [50.76802709706976]
  異種脳波とMEG記録を対象とする脳基礎モデルBrain Omniを提案する。 多様なデータソースを統一するために、脳の活動を離散表現に定量化する最初のトークンであるBrainTokenizerを紹介します。 EEGの合計1,997時間、MEGデータの656時間は、事前トレーニングのために公開されているソースからキュレーションされ、標準化されている。
  論文  参考訳（メタデータ） (2025-05-18T14:07:14Z)
• Prior-guided Hierarchical Harmonization Network for Efficient Image Dehazing [50.92820394852817]
  画像復調のためのtextitPrior-textitguided textitHarmonization Network (PGH$2$Net) を提案する。 PGH$2$Netは、2つのモジュールタイプからなる効率的なエンコーダとデコーダを備えたUNetのようなアーキテクチャ上に構築されている。
  論文  参考訳（メタデータ） (2025-03-03T03:36:30Z)
• CEReBrO: Compact Encoder for Representations of Brain Oscillations Using Efficient Alternating Attention [53.539020807256904]
  交互注意(CEReBrO)を用いた脳振動の表現のための圧縮法について紹介する。 トークン化方式は、チャネルごとのパッチで脳波信号を表現します。 本研究では,チャネル内時間的ダイナミックスとチャネル間空間的相関を共同でモデル化し,通常の自己アテンションに比べて6倍少ないメモリで2倍の速度向上を実現するための注意機構を提案する。
  論文  参考訳（メタデータ） (2025-01-18T21:44:38Z)
• Spatial Adaptation Layer: Interpretable Domain Adaptation For Biosignal Sensor Array Applications [0.7499722271664147]
  生体信号アレイモデルに適用可能な空間適応層(SAL)を提案する。 また,学習可能なベースライン正規化(LBN)を導入し,ベースライン変動を低減する。 2つのHD-sEMGジェスチャ認識データセットでテストした結果、SALとLBNは通常の配列の標準微調整よりも優れていた。
  論文  参考訳（メタデータ） (2024-09-12T14:06:12Z)
• Physics-informed and Unsupervised Riemannian Domain Adaptation for Machine Learning on Heterogeneous EEG Datasets [53.367212596352324]
  脳波信号物理を利用した教師なし手法を提案する。 脳波チャンネルをフィールド、ソースフリーなドメイン適応を用いて固定位置にマッピングする。 提案手法は脳-コンピュータインタフェース(BCI)タスクおよび潜在的なバイオマーカー応用におけるロバストな性能を示す。
  論文  参考訳（メタデータ） (2024-03-07T16:17:33Z)
• Enhancing Motor Imagery Decoding in Brain Computer Interfaces using Riemann Tangent Space Mapping and Cross Frequency Coupling [5.860347939369221]
  運動画像(MI)は脳コンピュータインタフェース(BCI)の領域における重要な実験パラダイムである 本稿では,MI特徴量に関する表現品質と復号化能力を向上させるための新しい手法を提案する。 さらに特徴抽出と分類のために軽量畳み込みニューラルネットワークが使用され、クロスエントロピーとセンターロスの共同管理の下で動作している。
  論文  参考訳（メタデータ） (2023-10-29T23:37:47Z)
• BB-GCN: A Bi-modal Bridged Graph Convolutional Network for Multi-label Chest X-Ray Recognition [7.110986667249555]
  マルチラベル胸部X線(英語版)(CXR)認識は、異なる病理の複数のラベルを同時に診断し識別する。 従来の手法は、ローカルラベル情報をモデル化するために、状態変数の符号化とアテンションメカニズムに頼っていた。 Bi-modal Bridged Graph Convolutional Network (BB-GCN) モデルを提案する。
  論文  参考訳（メタデータ） (2023-02-22T01:03:53Z)
• Priming Cross-Session Motor Imagery Classification with A Universal Deep Domain Adaptation Framework [3.6824205556465834]
  運動画像(英: Motor image、MI)は、脳のコンピュータインタフェース(BCI)のパラダイムである。 本稿では,領域適応理論の数学的モデルに基づくクロスセッションMI分類のための,シームズ深部ドメイン適応(SDDA)フレームワークを提案する。 提案するフレームワークは、ネットワーク構造を変更することなく、既存のほとんどのニューラルネットワークに容易に適用することができる。
  論文  参考訳（メタデータ） (2022-02-19T09:30:08Z)
• Common Spatial Generative Adversarial Networks based EEG Data Augmentation for Cross-Subject Brain-Computer Interface [4.8276709243429]
  脳波に基づく脳-コンピュータインタフェース(BCI)のクロスオブジェクト応用は、知覚が難しい大きな個人差と複雑な特徴によって常に制限されてきた。 CS-GAN(Common Space GAN)と呼ばれるGAN(Generative Adversarial Network)に基づくクロスオブジェクトEEG分類フレームワークを提案する。 我々のフレームワークは、オブジェクト間の問題に対処し、BCIの実践的応用を促進するための有望な方法を提供する。
  論文  参考訳（メタデータ） (2021-02-08T10:37:03Z)
• Ensemble Model with Batch Spectral Regularization and Data Blending for Cross-Domain Few-Shot Learning with Unlabeled Data [75.94147344921355]
  多様な特徴変換行列を用いてマルチブランチアンサンブルフレームワークを構築する。 本研究では,未ラベルデータを利用したデータブレンディング手法を提案し,対象領域におけるスパースサポートを増強する。
  論文  参考訳（メタデータ） (2020-06-08T02:27:34Z)

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。