論文の概要: Cross-BCI, A Cross-BCI-Paradigm Classifica-tion Model Towards Universal BCI Applications

• arxiv url: http://arxiv.org/abs/2508.09242v1
• Date: Tue, 12 Aug 2025 16:04:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-14 20:42:00.649268
• Title: Cross-BCI, A Cross-BCI-Paradigm Classifica-tion Model Towards Universal BCI Applications
• Title（参考訳）: Cross-BCI - ユニバーサルBCI応用に向けたクロスBCIパラダイム分類モデル
• Authors: Gaojie Zhou, Junhua Li,
• Abstract要約: 本研究では,クロスBCIパラダイム分類のための軽量で統一化された復号モデルを提案する。 その結果,提案モデルは精度,マクロ精度,マクロロリコール,マクロF1スコアに対して88.39%,82.36%,80.01%,0.8092を達成した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Classification models used in brain-computer interface (BCI) are usually designed for a single BCI paradigm. This requires the redevelopment of the model when applying it to a new BCI paradigm, resulting in repeated costs and effort. Moreover, less complex deep learning models are desired for practical usage, as well as for deployment on portable devices. In or-der to fill the above gaps, we, in this study, proposed a light-weight and unified decoding model for cross-BCI-paradigm classification. The proposed model starts with a tempo-spatial convolution. It is followed by a multi-scale local feature selec-tion module, aiming to extract local features shared across BCI paradigms and generate weighted features. Finally, a mul-ti-dimensional global feature extraction module is designed, in which multi-dimensional global features are extracted from the weighted features and fused with the weighted features to form high-level feature representations associated with BCI para-digms. The results, evaluated on a mixture of three classical BCI paradigms (i.e., MI, SSVEP, and P300), demon-strate that the proposed model achieves 88.39%, 82.36%, 80.01%, and 0.8092 for accuracy, macro-precision, mac-ro-recall, and macro-F1-score, respectively, significantly out-performing the compared models. This study pro-vides a feasible solution for cross-BCI-paradigm classifica-tion. It lays a technological foundation for de-veloping a new generation of unified decoding systems, paving the way for low-cost and universal practical applications.
• Abstract（参考訳）: 脳コンピュータインタフェース(BCI)で使用される分類モデルは、通常は単一のBCIパラダイムのために設計されている。 これにより、新しいBCIパラダイムに適用する場合、モデルの再開発が必要になり、結果としてコストと労力が繰り返される。 さらに、実用用途だけでなく、ポータブルデバイスへのデプロイにも、より少ない複雑さのディープラーニングモデルが望まれている。 上記のギャップを埋めるために,我々は,クロスBCIパラダイム分類のための軽量で統一化された復号モデルを提案した。 提案するモデルは,テンポ空間の畳み込みから始まる。 続いて、BCIパラダイム間で共有されるローカル機能を抽出し、重み付けされた機能を生成する、マルチスケールのローカル機能セレックオプションモジュールが提供される。 最後に,多次元グローバル特徴抽出モジュールを設計し,重み付き特徴から多次元グローバル特徴を抽出し,重み付き特徴と融合させて,BCIパラパラダイムに関連する高レベル特徴表現を形成する。 提案モデルが88.39%,82.36%,80.01%,0.8092の精度,マクロ精度,mac-ro-recall,マクロF1スコアの3つの古典的BCIパラダイム(MI,SSVEP,P300)を混合して評価した。 本研究は,クロスBCI-パラダイムクラスフィカ-オンの実現可能な解であることを示す。 次世代の統一デコードシステムを非開発し、低コストで普遍的な実用的応用を実現するための技術基盤を築き上げている。

関連論文リスト

• Cross-Subject DD: A Cross-Subject Brain-Computer Interface Algorithm [6.612070142961214]
  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。
  論文  参考訳（メタデータ） (2025-07-02T09:53:15Z)
• FedSKD: Aggregation-free Model-heterogeneous Federated Learning using Multi-dimensional Similarity Knowledge Distillation [7.944298319589845]
  フェデレートラーニング(FL)は、直接データを共有することなく、プライバシー保護のための協調モデルトレーニングを可能にする。 MHFL(Model-heterogeneous FL)は、クライアントが計算資源やアプリケーション固有のニーズに合わせて、不均一なアーキテクチャでパーソナライズされたモデルを訓練することを可能にする。 ピアツーピア(P2P)FLはサーバ依存を除去するが、モデルドリフトと知識の希釈に悩まされ、不均一な設定での有効性が制限される。 ラウンドロビンモデル循環による直接知識交換を容易にする新しいMHFLフレームワークであるFedSKDを提案する。
  論文  参考訳（メタデータ） (2025-03-23T05:33:10Z)
• Hymba: A Hybrid-head Architecture for Small Language Models [65.94140459055244]
  Hymbaは、ハイブリッドヘッド並列アーキテクチャを特徴とする、小さな言語モデルのファミリーである。 重要な情報を保持するプロンプトに先立って,学習可能なメタトークンを導入する。 このモデルは、層間鍵値共有と部分的スライディングウィンドウアテンションを組み込むことにより、さらに最適化される。
  論文  参考訳（メタデータ） (2024-11-20T19:51:25Z)
• Restore Anything Model via Efficient Degradation Adaptation [129.38475243424563]
  RAMは、様々な劣化にまたがる固有の類似性を活用して、効率的で包括的な復元を可能にする統一された経路を取る。 RAMのSOTA性能はRAMのSOTA性能を確認し、トレーニング可能なパラメータで約82%、FLOPで約85%のモデルの複雑さを減少させる。
  論文  参考訳（メタデータ） (2024-07-18T10:26:53Z)
• Maximize to Explore: One Objective Function Fusing Estimation, Planning, and Exploration [87.53543137162488]
  我々はtextttMEX というオンライン強化学習(オンラインRL)フレームワークを提案する。 textttMEXは、自動的に探索エクスプロイトのバランスをとりながら、見積もりと計画コンポーネントを統合する。 様々な MuJoCo 環境では,ベースラインを安定的なマージンで上回り,十分な報酬を得られる。
  論文  参考訳（メタデータ） (2023-05-29T17:25:26Z)
• FedCross: Towards Accurate Federated Learning via Multi-Model Cross-Aggregation [16.019513233021435]
  フェデレートラーニング(FL)は、ユーザのプライバシを損なうことなく、データサイロ問題に対処するために注目を集めている。 我々はFedCrossという名前の効率的なFLフレームワークを提案する。このフレームワークは、提案したマルチモデルクロスアグリゲーションアプローチに基づいた、新しいマルチツーマルチFLトレーニングスキームを使用する。 We show that FedCross can significantly improve FL accuracy in both IID and non-IID scenarios without causing additional communication overhead。
  論文  参考訳（メタデータ） (2022-10-15T13:12:11Z)
• A General Framework for Sample-Efficient Function Approximation in Reinforcement Learning [132.45959478064736]
  モデルベースとモデルフリー強化学習を統合した汎用フレームワークを提案する。 最適化に基づく探索のための分解可能な構造特性を持つ新しい推定関数を提案する。 本フレームワークでは,OPERA (Optimization-based Exploration with Approximation) という新しいサンプル効率アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-09-30T17:59:16Z)
• Squeezeformer: An Efficient Transformer for Automatic Speech Recognition [99.349598600887]
  Conformerは、そのハイブリッドアテンション・コンボリューションアーキテクチャに基づいて、様々な下流音声タスクの事実上のバックボーンモデルである。 Squeezeformerモデルを提案する。これは、同じトレーニングスキームの下で、最先端のASRモデルよりも一貫して優れている。
  論文  参考訳（メタデータ） (2022-06-02T06:06:29Z)
• FedHM: Efficient Federated Learning for Heterogeneous Models via Low-rank Factorization [16.704006420306353]
  スケーラブルなフェデレート学習フレームワークは、異なる計算能力と通信能力を備えた異種クライアントに対処する必要がある。 本稿では,不均一な低ランクモデルをクライアントに分散し,それらをグローバルなフルランクモデルに集約する,新しいフェデレーションモデル圧縮フレームワークであるFedHMを提案する。 我々のソリューションは、計算複雑性の異なる異種局所モデルの訓練を可能にし、単一の大域的モデルを集約する。
  論文  参考訳（メタデータ） (2021-11-29T16:11:09Z)
• Toward Real-World BCI: CCSPNet, A Compact Subject-Independent Motor Imagery Framework [2.0741711594051377]
  従来の脳-コンピュータインタフェース(BCI)は、使用前に各ユーザーに対して完全なデータ収集、トレーニング、校正フェーズを必要とする。 大規模脳波信号データベースの運動画像(MI)パラダイムを学習するCCSPNetという,新規な主体に依存しないBCIフレームワークを提案する。 提案手法は,ウェーブレット核畳み込みニューラルネットワーク(wkcnn)と時間畳み込みニューラルネットワーク(tcnn)を適用し,脳波信号の多様なスペクトル特性を表現・抽出する。
  論文  参考訳（メタデータ） (2020-12-25T12:00:47Z)

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。