論文の概要: FusionGen: Feature Fusion-Based Few-Shot EEG Data Generation

• arxiv url: http://arxiv.org/abs/2510.10604v1
• Date: Sun, 12 Oct 2025 13:38:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-14 18:06:30.027472
• Title: FusionGen: Feature Fusion-Based Few-Shot EEG Data Generation
• Title（参考訳）: FusionGen: フィーチャーフュージョンベースのFew-Shot EEGデータ生成
• Authors: Yuheng Chen, Dingkun Liu, Xinyao Yang, Xinping Xu, Baicheng Chen, Dongrui Wu,
• Abstract要約: 脳コンピュータインタフェース(BCI)は、リハビリテーションから認知状態アセスメントまで幅広い応用の可能性を秘めている。 EEGベースのBCIは、データ不足とオブジェクト間の大きなばらつきによって厳しい制約を受ける。 本稿では,不整合表現学習と特徴融合に基づく新しい脳波データ生成フレームワークFusionGenを提案する。
• 参考スコア（独自算出の注目度）: 11.184839803843987
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Brain-computer interfaces (BCIs) provide potential for applications ranging from medical rehabilitation to cognitive state assessment by establishing direct communication pathways between the brain and external devices via electroencephalography (EEG). However, EEG-based BCIs are severely constrained by data scarcity and significant inter-subject variability, which hinder the generalization and applicability of EEG decoding models in practical settings. To address these challenges, we propose FusionGen, a novel EEG data generation framework based on disentangled representation learning and feature fusion. By integrating features across trials through a feature matching fusion module and combining them with a lightweight feature extraction and reconstruction pipeline, FusionGen ensures both data diversity and trainability under limited data constraints. Extensive experiments on multiple publicly available EEG datasets demonstrate that FusionGen significantly outperforms existing augmentation techniques, yielding notable improvements in classification accuracy.
• Abstract（参考訳）: 脳-コンピュータインターフェース(BCI)は、脳波(EEG)を介して脳と外部機器間の直接の通信経路を確立することにより、医療リハビリテーションから認知状態の評価まで、応用の可能性を秘めている。 しかし、EEGベースのBCIはデータ不足とオブジェクト間の大きな変動によって厳しい制約を受けており、実用的な設定でのEEG復号モデルの一般化と適用性を妨げている。 これらの課題に対処するため,不整合表現学習と特徴融合に基づく新しい脳波データ生成フレームワークFusionGenを提案する。 機能マッチングのフュージョンモジュールを通じて、トライアル全体を通じて機能を統合し、軽量な機能抽出と再構築パイプラインと組み合わせることで、FusionGenは、限られたデータ制約の下で、データの多様性とトレーニング性の両方を保証する。 複数のパブリックなEEGデータセットに関する大規模な実験は、FusionGenが既存の拡張テクニックを大幅に上回っており、分類精度が顕著に向上していることを示している。

関連論文リスト

• 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)
• mixEEG: Enhancing EEG Federated Learning for Cross-subject EEG Classification with Tailored mixup [5.367329958716485]
  クロスオブジェクト脳波(EEG)分類は、認知過程の多様性と異なる被験者間の生理学的構造のために大きな課題を示す。 脳波に関連するプライバシー上の懸念は、異なる病院と機関間でのデータ共有に重大な制限を課している。 フェデレートラーニング(FL)は、複数の分散クライアントが、生データを直接通信することなく、協調的にグローバルモデルをトレーニングすることを可能にする。
  論文  参考訳（メタデータ） (2025-04-07T06:24:23Z)
• CognitionCapturer: Decoding Visual Stimuli From Human EEG Signal With Multimodal Information [61.1904164368732]
  脳波信号の表現にマルチモーダルデータを完全に活用する統合フレームワークであるCognitionCapturerを提案する。 具体的には、CognitionCapturerは、各モダリティに対してモダリティエキスパートを訓練し、EEGモダリティからモダリティ情報を抽出する。 このフレームワークは生成モデルの微調整を一切必要とせず、より多くのモダリティを組み込むように拡張することができる。
  論文  参考訳（メタデータ） (2024-12-13T16:27:54Z)
• Enhancing EEG Signal Generation through a Hybrid Approach Integrating Reinforcement Learning and Diffusion Models [6.102274021710727]
  本研究では、拡散モデルと強化学習を統合することにより、脳波(EEG)信号の合成に革新的なアプローチを導入する。 提案手法は, 時間的・スペクトル的特徴の詳細な脳波信号の生成を促進させ, 合成データセットの信頼性と多様性を向上する。
  論文  参考訳（メタデータ） (2024-09-14T07:22:31Z)
• Joint Multimodal Transformer for Emotion Recognition in the Wild [49.735299182004404]
  マルチモーダル感情認識(MMER)システムは、通常、単調なシステムよりも優れている。 本稿では,キーベースのクロスアテンションと融合するために,ジョイントマルチモーダルトランス (JMT) を利用するMMER法を提案する。
  論文  参考訳（メタデータ） (2024-03-15T17:23:38Z)
• Coupled generator decomposition for fusion of electro- and magnetoencephalography data [1.7102695043811291]
  データ融合モデリングは、ソース固有の変数を考慮に入れながら、多様なデータソースにまたがる共通の特徴を識別することができる。 本稿では、テキスト結合型ジェネレータ分解の概念を導入し、データ融合のためのスパース主成分分析をいかに一般化するかを示す。
  論文  参考訳（メタデータ） (2024-03-02T12:09:16Z)
• Differentiable Agent-based Epidemiology [71.81552021144589]
  GradABM(GradABM)は、エージェントベースのモデリングのためのスケーラブルで微分可能な設計で、勾配に基づく学習と自動微分が可能である。 GradABMは、コモディティハードウェア上で数秒で数百万の人口をシミュレートし、ディープニューラルネットワークと統合し、異種データソースを取り込みます。
  論文  参考訳（メタデータ） (2022-07-20T07:32:02Z)
• GANSER: A Self-supervised Data Augmentation Framework for EEG-based Emotion Recognition [15.812231441367022]
  本稿では,GANSER(Generative Adversarial Network-based Self-supervised Data Augmentation)という新しいデータ拡張フレームワークを提案する。 脳波に基づく感情認識のための自己教師型学習と対人訓練を併用する最初の試みとして、提案フレームワークは高品質な模擬脳波サンプルを生成することができる。 変換関数は、脳波信号の一部を隠蔽し、生成元に残りの部分に基づいて潜在的な脳波信号を合成させる。
  論文  参考訳（メタデータ） (2021-09-07T14:42:55Z)

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。