論文の概要: EEGChaT: A Transformer-Based Modular Channel Selector for SEEG Analysis

• arxiv url: http://arxiv.org/abs/2510.13592v1
• Date: Wed, 15 Oct 2025 14:22:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-16 20:13:28.707967
• Title: EEGChaT: A Transformer-Based Modular Channel Selector for SEEG Analysis
• Title（参考訳）: EEGChaT:SEEG分析のためのトランスフォーマーに基づくモジュールチャネルセレクタ
• Authors: Chen Wang, Yansen Wang, Dongqi Han, Zilong Wang, Dongsheng Li,
• Abstract要約: 本稿では,SEEGデータ解析のための新しいトランスフォーマーベースのチャネル選択モジュールであるEEGChaTを提案する。 EEGChaTはデコード精度を継続的に改善し,最大17%の絶対ゲインを実現している。 その結果,EEGChaTは高次元SEEG解析におけるチャネル選択に有効で一般化可能な解であることが示唆された。
• 参考スコア（独自算出の注目度）: 33.75063804360241
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Analyzing stereoelectroencephalography (SEEG) signals is critical for brain-computer interface (BCI) applications and neuroscience research, yet poses significant challenges due to the large number of input channels and their heterogeneous relevance. Traditional channel selection methods struggle to scale or provide meaningful interpretability for SEEG data. In this work, we propose EEGChaT, a novel Transformer-based channel selection module designed to automatically identify the most task-relevant channels in SEEG recordings. EEGChaT introduces Channel Aggregation Tokens (CATs) to aggregate information across channels, and leverages an improved Attention Rollout technique to compute interpretable, quantitative channel importance scores. We evaluate EEGChaT on the DuIN dataset, demonstrating that integrating EEGChaT with existing classification models consistently improves decoding accuracy, achieving up to 17\% absolute gains. Furthermore, the channel weights produced by EEGChaT show substantial overlap with manually selected channels, supporting the interpretability of the approach. Our results suggest that EEGChaT is an effective and generalizable solution for channel selection in high-dimensional SEEG analysis, offering both enhanced performance and insights into neural signal relevance.
• Abstract（参考訳）: 立体脳波(SEEG)信号の解析は脳-コンピュータインタフェース(BCI)の応用や神経科学研究において重要であるが、多くの入力チャネルとその不均一な関連性のために大きな課題を生じている。 従来のチャネル選択手法は、SEEGデータに対して意味のある解釈可能性を提供するのに苦労している。 本稿では,SEEG記録におけるタスク関連チャネルを自動識別する,トランスフォーマーに基づく新しいチャネル選択モジュールであるEEGChaTを提案する。 EEGChaTはチャネル間の情報を集約するためにチャネル集約トークン(CAT)を導入し、改善された注意ロールアウト技術を活用して解釈可能で定量的なチャネル重要度を計算する。 我々は、DuINデータセット上でEEGChaTを評価し、EEGChaTと既存の分類モデルを統合することでデコード精度が向上し、絶対ゲインが最大17倍になることを示した。 さらに、EEGChaTが生み出すチャネル重みは、手動で選択したチャネルと大きく重なり、アプローチの解釈可能性をサポートする。 その結果,EEGChaTは高次元SEEG解析におけるチャネル選択に有効で一般化可能な解であり,神経信号の関連性に関する性能と洞察を両立させることが示唆された。

関連論文リスト

• Optimizing Brain-Computer Interface Performance: Advancing EEG Signals Channel Selection through Regularized CSP and SPEA II Multi-Objective Optimization [13.981941979747305]
  RCSPは脳波信号の識別と分類に有効である。 我々は、MIタスクを持つマルチチャネル脳波信号からチャネルのサブセットを選択する際に、最先端のアプローチを採用する。
  論文  参考訳（メタデータ） (2024-04-26T00:04:41Z)
• 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)
• An EEG Channel Selection Framework for Driver Drowsiness Detection via Interpretability Guidance [7.657035689406044]
  眠気運転は運転安全性に重大な影響を及ぼし、運転者の眠気検出に緊急の需要が生じる。 脳波信号は精神疲労状態を正確に反映できるため、眠気モニタリングにおいて広く研究されている。 本稿では,ドライバの眠気検出作業のための解釈可能性誘導型チャネル選択(ICS)フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-04-26T13:24:37Z)
• Learning Signal Representations for EEG Cross-Subject Channel Selection and Trial Classification [0.3553493344868413]
  脳波記録の主観非依存チャネル選択のためのアルゴリズムを提案する。 チャネル固有の1D-畳み込みニューラルネットワーク(1D-CNN)を教師付き方法で特徴抽出器として利用し、クラス分離性を最大化する。 トレーニング後、選択されたチャネル固有の1D-CNNのパラメータ化されたサブグループのみを新しい被験者からの新たな信号に転送することで、アルゴリズムを活用できる。
  論文  参考訳（メタデータ） (2021-06-20T06:22:16Z)
• Robust learning from corrupted EEG with dynamic spatial filtering [68.82260713085522]
  実験室の外で記録されたEEGを使用して機械学習モデルを構築するには、ノイズの多いデータとランダムに欠落するチャネルにロバストな方法が必要である。 ニューラルネットワークの第1層の前に挿入可能なマルチヘッドアテンションモジュールである動的空間フィルタリング(DSF)を提案する。 筆者らは, チャネル汚損を模擬した4000件の録音を含む公開脳波データと, 自然汚損をともなう移動脳波の自家記録100件のプライベートデータセットを用いて, DSFを試験した。
  論文  参考訳（メタデータ） (2021-05-27T02:33:16Z)
• End-to-end learnable EEG channel selection with deep neural networks [72.21556656008156]
  本稿では,脳波チャネル選択をニューラルネットワーク自体に組み込む枠組みを提案する。 我々は、離散チャネル選択パラメータの連続緩和を用いて、この新しい最適化問題の離散的性質を扱う。 この一般的なアプローチは、2つの異なるEEGタスクで評価される。
  論文  参考訳（メタデータ） (2021-02-11T13:44:07Z)
• Cross-Correlation Based Discriminant Criterion for Channel Selection in Motor Imagery BCI Systems [1.240096657086732]
  本稿では,異なる運動画像(MI)タスクの精神状態を識別するチャネルの重要性を評価する,相互相関に基づく識別基準(XCDC)を提案する。 XCDCは、全チャネルセットアップと比較して分類精度を損なうことなく、チャネルの量を著しく削減する。
  論文  参考訳（メタデータ） (2020-12-03T08:32:47Z)
• Learning from Heterogeneous EEG Signals with Differentiable Channel Reordering [51.633889765162685]
  CHARMは、一貫性のない入力チャネルをまたいだ単一のニューラルネットワークのトレーニング方法である。 我々は4つの脳波分類データセットの実験を行い、CHARMの有効性を実証した。
  論文  参考訳（メタデータ） (2020-10-21T12:32:34Z)
• Data-Driven Symbol Detection via Model-Based Machine Learning [117.58188185409904]
  機械学習(ML)とモデルベースアルゴリズムを組み合わせた,検出設計のシンボル化を目的とした,データ駆動型フレームワークについてレビューする。 このハイブリッドアプローチでは、よく知られたチャネルモデルに基づくアルゴリズムをMLベースのアルゴリズムで拡張し、チャネルモデル依存性を除去する。 提案手法は, 正確なチャネル入出力統計関係を知らなくても, モデルベースアルゴリズムのほぼ最適性能が得られることを示す。
  論文  参考訳（メタデータ） (2020-02-14T06:58:27Z)

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。