Fugu-MT 論文翻訳(概要): DLGE: Dual Local-Global Encoding for Generalizable Cross-BCI-Paradigm

論文の概要: DLGE: Dual Local-Global Encoding for Generalizable Cross-BCI-Paradigm

arxiv url: http://arxiv.org/abs/2509.07991v1
Date: Mon, 25 Aug 2025 21:28:08 GMT
ステータス: 翻訳完了
システム内更新日: 2025-09-14 20:41:04.935767
Title: DLGE: Dual Local-Global Encoding for Generalizable Cross-BCI-Paradigm
Title（参考訳）: DLGE: 一般化可能なクロスBCIパラダイムのためのデュアルローカルグローバルエンコーディング
Authors: Jingyuan Wang, Junhua Li,
Abstract要約: 深層学習モデルは脳波(EEG)に基づく単一の脳-コンピュータインタフェース(BCI)パラダイムのデコードに頻繁に用いられている。複数のBCIパラダイムを1つのモデルでデコードするのは困難である。本稿では,異なるBCIパラダイムにまたがる分類を可能にするために,Dual Local-Global (DLGE)を提案する。
参考スコア（独自算出の注目度）: 13.432948015051826
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Deep learning models have been frequently used to decode a single brain-computer interface (BCI) paradigm based on electroencephalography (EEG). It is challenging to decode multiple BCI paradigms using one model due to diverse barriers, such as different channel configurations and disparate task-related representations. In this study, we propose Dual Local-Global Encoder (DLGE), enabling the classification across different BCI paradigms. To address the heterogeneity in EEG channel configurations across paradigms, we employ an anatomically inspired brain-region partitioning and padding strategy to standardize EEG channel configuration. In the proposed model, the local encoder is designed to learn shared features across BCI paradigms within each brain region based on time-frequency information, which integrates temporal attention on individual channels with spatial attention among channels for each brain region. These shared features are subsequently aggregated in the global encoder to form respective paradigm-specific feature representations. Three BCI paradigms (motor imagery, resting state, and driving fatigue) were used to evaluate the proposed model. The results demonstrate that our model is capable of processing diverse BCI paradigms without retraining and retuning, achieving average macro precision, recall, and F1-score of 60.16\%, 59.88\%, and 59.56\%, respectively. We made an initial attempt to develop a general model for cross-BCI-paradigm classification, avoiding retraining or redevelopment for each paradigm. This study paves the way for the development of an effective but simple model for cross-BCI-paradigm decoding, which might benefit the design of portable devices for universal BCI decoding.
Abstract（参考訳）: 深層学習モデルは脳波(EEG)に基づいた単一の脳-コンピュータインタフェース(BCI)パラダイムのデコードに頻繁に用いられている。複数のBCIパラダイムを1つのモデルでデコードするのは困難である。本研究では,異なるBCIパラダイムの分類が可能なDual Local-Global Encoder (DLGE)を提案する。脳波チャネル構成におけるパラダイム間の不均一性に対処するために、脳波チャネル構成の標準化のために、解剖学的にインスパイアされた脳-領域分割とパディング戦略を用いる。提案モデルでは,各脳領域のチャネル間の空間的注意を伴う個々のチャネルに対する時間的注意を統合した時間周波数情報に基づいて,各脳領域内のBCIパラダイム間の共有特徴を学習するように設計されている。これらの共有機能は、その後グローバルエンコーダに集約され、それぞれのパラダイム固有の特徴表現を形成する。提案モデルの評価には,3つのBCIパラダイム(運動画像,休息状態,運転疲労)を用いた。その結果,本モデルでは,リトレーニングやリチューニングを行なわず,平均マクロ精度,リコール,F1スコアの60.16\%,59.88\%,59.56\%を達成できることがわかった。そこで我々は,各パラダイムの再学習や再開発を避けるため,クロスBCIパラダイム分類のための汎用モデルの開発を最初に試みた。本研究は, 汎用BCI復号化のための携帯端末設計の恩恵を受けるであろう, クロスBCIパラダイム復号化のための効率的かつシンプルなモデルの開発方法である。

関連論文リスト

Cross-BCI, A Cross-BCI-Paradigm Classifica-tion Model Towards Universal BCI Applications [0.0]
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。
論文参考訳（メタデータ） (2025-08-12T16:04:50Z)
MIRepNet: A Pipeline and Foundation Model for EEG-Based Motor Imagery Classification [12.648298676665886]
脳コンピュータインタフェース(BCI)は、脳と外部デバイス間の直接通信を可能にする。最近の脳波基礎モデルは、多様なBCIパラダイムにわたる一般化された表現を学習することを目的としている。本稿では,運動画像パラダイムに適した脳波基礎モデルMIRepNetを提案する。
論文参考訳（メタデータ） (2025-07-27T12:54:42Z)
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)
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)
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)
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)
BRAU-Net++: U-Shaped Hybrid CNN-Transformer Network for Medical Image Segmentation [11.986549780782724]
医用画像の正確な分割作業のために,BRAU-Net++ というハイブリッドで効果的な CNN-Transformer ネットワークを提案する。具体的には、BRAU-Net++は、U字型エンコーダデコーダ構造を設計するために、コアビルディングブロックとしてバイレベルルーティングアテンションを使用する。提案手法は,そのベースラインであるBRAU-Netを含む,最先端の手法を超越した手法である。
論文参考訳（メタデータ） (2024-01-01T10:49:09Z)
Cross-Modality Brain Tumor Segmentation via Bidirectional Global-to-Local Unsupervised Domain Adaptation [61.01704175938995]
本論文では,UDAスキームに基づくBiGL(Bidirectional Global-to-Local)適応フレームワークを提案する。具体的には、脳腫瘍をセグメント化するために、双方向画像合成およびセグメンテーションモジュールを提案する。提案手法は, 最先端の非教師なし領域適応法を大きなマージンで上回っている。
論文参考訳（メタデータ） (2021-05-17T10:11:45Z)
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。