論文の概要: Robust Sparse Bayesian Learning Based on Minimum Error Entropy for Noisy High-Dimensional Brain Activity Decoding

• arxiv url: http://arxiv.org/abs/2508.11657v1
• Date: Tue, 05 Aug 2025 12:46:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-24 10:27:26.47838
• Title: Robust Sparse Bayesian Learning Based on Minimum Error Entropy for Noisy High-Dimensional Brain Activity Decoding
• Title（参考訳）: 雑音の多い高次元脳活動復号のための最小誤差エントロピーに基づくロバストスパースベイズ学習
• Authors: Yuanhao Li, Badong Chen, Wenjun Bai, Yasuharu Koike, Okito Yamashita,
• Abstract要約: スパースベイズ学習は、脳信号復号における高次元問題の解決に有効なスキームを提供する。 二項法のようなデータ分布に関する従来の仮定は、脳活動のノイズ信号を特徴づけるには不十分である可能性がある。 この研究は、堅牢な脳のデコードを実現する強力なツールを提供し、脳-コンピュータインタフェースのような生体工学の応用を前進させる。
• 参考スコア（独自算出の注目度）: 16.421500563682006
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Objective: Sparse Bayesian learning provides an effective scheme to solve the high-dimensional problem in brain signal decoding. However, traditional assumptions regarding data distributions such as Gaussian and binomial are potentially inadequate to characterize the noisy signals of brain activity. Hence, this study aims to propose a robust sparse Bayesian learning framework to address noisy highdimensional brain activity decoding. Methods: Motivated by the commendable robustness of the minimum error entropy (MEE) criterion for handling complex data distributions, we proposed an MEE-based likelihood function to facilitate the accurate inference of sparse Bayesian learning in analyzing noisy brain datasets. Results: Our proposed approach was evaluated using two high-dimensional brain decoding tasks in regression and classification contexts, respectively. The experimental results showed that, our approach can realize superior decoding metrics and physiological patterns than the conventional and state-of-the-art methods. Conclusion: Utilizing the proposed MEE-based likelihood model, sparse Bayesian learning is empowered to simultaneously address the challenges of noise and high dimensionality in the brain decoding task. Significance: This work provides a powerful tool to realize robust brain decoding, advancing biomedical engineering applications such as brain-computer interface.
• Abstract（参考訳）: 目的:スパースベイズ学習は、脳信号復号における高次元問題を解決する効果的なスキームを提供する。 しかし、ガウスや二項法のようなデータ分布に関する従来の仮定は、脳活動のノイズ信号を特徴づけるには不十分である可能性がある。 そこで本研究では,雑音の多い高次元脳活動復号に対処するために,頑健な疎いベイズ学習フレームワークを提案する。 方法: 複雑なデータ分布を扱うための最小誤差エントロピー(MEE)基準の補正可能な堅牢性により, ノイズの多い脳データセットの解析において, 疎ベイズ学習の正確な推論を容易にするMEEに基づく可能性関数を提案した。 結果: 提案手法は2つの高次元脳復号法を用いて回帰と分類の文脈で評価した。 実験の結果,本手法は従来の手法や最先端手法よりも優れた復号化指標と生理的パターンを実現できることがわかった。 結論: 提案したMEEに基づく確率モデルを用いて, 疎ベイズ学習は, 脳復号処理におけるノイズと高次元性の課題を同時に解決するために有効である。 意義: この研究は、堅牢な脳のデコーディングを実現する強力なツールを提供し、脳-コンピュータインターフェースのような生体工学の応用を前進させる。

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)
• MindAligner: Explicit Brain Functional Alignment for Cross-Subject Visual Decoding from Limited fMRI Data [64.92867794764247]
  MindAlignerは、限られたfMRIデータからのクロスオブジェクト脳デコーディングのためのフレームワークである。 脳伝達マトリックス(BTM)は、任意の新しい被験者の脳信号を既知の被験者の1人に投射する。 脳機能アライメントモジュールは、異なる視覚刺激下で軟質なクロスオブジェクト脳アライメントを実行するために提案されている。
  論文  参考訳（メタデータ） (2025-02-07T16:01:59Z)
• On Creating A Brain-To-Text Decoder [6.084958172018792]
  本稿では,ヒト脳活動のデコードに生脳波信号(EEG)を適用した。 この調査は、音声生成に関連する神経信号の解読における脳-コンピュータインタフェース(BCI)の有効性を特に精査している。
  論文  参考訳（メタデータ） (2025-01-10T20:04:54Z)
• Sparse Bayesian Correntropy Learning for Robust Muscle Activity Reconstruction from Noisy Brain Recordings [16.788501453001395]
  本研究では,疎度と疎度を同時に実現できるように,疎度ベイズ学習のための新しい頑健な実装を提案する。 最大コレントロピー基準 (MCC) の強い堅牢性により, 疎ベイズ学習体制へのMCCの統合が提案された。 提案手法を十分に評価するために,2つの異なる脳機能を有する人工的データセットと実世界の筋活動再構築タスクを用いた。
  論文  参考訳（メタデータ） (2024-04-01T08:16:15Z)
• Sparse Multitask Learning for Efficient Neural Representation of Motor Imagery and Execution [30.186917337606477]
  運動画像(MI)と運動実行(ME)タスクのためのスパースマルチタスク学習フレームワークを提案する。 MI-ME分類のためのデュアルタスクCNNモデルが与えられた場合、過渡的な接続に対して、サリエンシに基づくスペーシフィケーションアプローチを適用する。 以上の結果から, この調整された疎水性は, 過度に適合する問題を緩和し, 少ないデータ量でテスト性能を向上させることが示唆された。
  論文  参考訳（メタデータ） (2023-12-10T09:06:16Z)
• Correntropy-Based Logistic Regression with Automatic Relevance Determination for Robust Sparse Brain Activity Decoding [18.327196310636864]
  相関学習フレームワークを,自動関係決定に基づくスパース分類モデルに導入する。 人工的データセット,脳波(EEG)データセット,機能的磁気共鳴画像(fMRI)データセットで評価した。
  論文  参考訳（メタデータ） (2022-07-20T06:49:23Z)
• Deep Active Learning with Noise Stability [24.54974925491753]
  ラベルのないデータの不確実性推定は、アクティブな学習に不可欠である。 本稿では,雑音の安定性を利用して不確実性を推定する新しいアルゴリズムを提案する。 本手法はコンピュータビジョン,自然言語処理,構造データ解析など,様々なタスクに適用可能である。
  論文  参考訳（メタデータ） (2022-05-26T13:21:01Z)
• Deep Recurrent Encoder: A scalable end-to-end network to model brain signals [122.1055193683784]
  複数の被験者の脳応答を一度に予測するために訓練されたエンドツーエンドのディープラーニングアーキテクチャを提案する。 1時間の読解作業で得られた大脳磁図(meg)記録を用いて,このアプローチを検証した。
  論文  参考訳（メタデータ） (2021-03-03T11:39:17Z)
• Belief Propagation Reloaded: Learning BP-Layers for Labeling Problems [83.98774574197613]
  最も単純な推論手法の1つとして、切り詰められた最大積のBelief伝播を取り上げ、それをディープラーニングモデルの適切なコンポーネントにするために必要となるものを加えます。 このBP-Layerは畳み込みニューラルネットワーク(CNN)の最終ブロックまたは中間ブロックとして使用できる このモデルは様々な密集予測問題に適用可能であり、パラメータ効率が高く、ステレオ、光フロー、セマンティックセグメンテーションにおける堅牢な解を提供する。
  論文  参考訳（メタデータ） (2020-03-13T13:11:35Z)

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。