論文の概要: Cortical-SSM: A Deep State Space Model for EEG and ECoG Motor Imagery Decoding

• arxiv url: http://arxiv.org/abs/2510.15371v1
• Date: Fri, 17 Oct 2025 07:13:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-20 20:17:34.50749
• Title: Cortical-SSM: A Deep State Space Model for EEG and ECoG Motor Imagery Decoding
• Title（参考訳）: 皮質-SSM:脳波とECoG運動画像復号のための深部状態空間モデル
• Authors: Shuntaro Suzuki, Shunya Nagashima, Masayuki Hirata, Komei Sugiura,
• Abstract要約: 我々は,脳波とECoG信号の統合的な依存関係を捉えるために,深部状態空間モデルを拡張する新しいアーキテクチャであるCortical-SSMを提案する。 我々は,1)50名以上の被験者を含む大規模MI EEGデータセットと,2)筋萎縮性側索硬化症患者から得られたMI ECoGデータセットの3つのベンチマークで,本手法を検証した。
• 参考スコア（独自算出の注目度）: 2.8915595869638424
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Classification of electroencephalogram (EEG) and electrocorticogram (ECoG) signals obtained during motor imagery (MI) has substantial application potential, including for communication assistance and rehabilitation support for patients with motor impairments. These signals remain inherently susceptible to physiological artifacts (e.g., eye blinking, swallowing), which pose persistent challenges. Although Transformer-based approaches for classifying EEG and ECoG signals have been widely adopted, they often struggle to capture fine-grained dependencies within them. To overcome these limitations, we propose Cortical-SSM, a novel architecture that extends deep state space models to capture integrated dependencies of EEG and ECoG signals across temporal, spatial, and frequency domains. We validated our method across three benchmarks: 1) two large-scale public MI EEG datasets containing more than 50 subjects, and 2) a clinical MI ECoG dataset recorded from a patient with amyotrophic lateral sclerosis. Our method outperformed baseline methods on the three benchmarks. Furthermore, visual explanations derived from our model indicate that it effectively captures neurophysiologically relevant regions of both EEG and ECoG signals.
• Abstract（参考訳）: 脳波 (EEG) と脳波 (ECoG) の分類は, 運動障害患者のコミュニケーション支援やリハビリテーション支援など, かなりの応用可能性を持っている。 これらのシグナルは、生理的アーティファクト(例えば、点眼、飲み込み)に本質的に感受性を持ち、永続的な課題を引き起こす。 トランスフォーマーベースの脳波信号とECoG信号の分類アプローチは広く採用されているが、それらは内部のきめ細かい依存関係を捉えるのに苦労することが多い。 このような制約を克服するため,時間領域,空間領域,周波数領域にまたがるEEGとECoG信号の統合依存関係を捉えるために,深層状態空間モデルを拡張する新しいアーキテクチャであるCortical-SSMを提案する。 私たちは3つのベンチマークでメソッドを検証しました。 1)50人以上の被験者を含む2つの大規模MIEEGデータセット 2)筋萎縮性側索硬化症患者から得られたMI ECoGデータセット。 提案手法は3つのベンチマークのベースライン法より優れていた。 さらに,脳波とECoG信号の両方の神経生理学的領域を効果的に捉えていることが,本モデルから得られた視覚的説明から示唆された。

関連論文リスト

• EEG-MedRAG: Enhancing EEG-based Clinical Decision-Making via Hierarchical Hypergraph Retrieval-Augmented Generation [45.031633614714]
  EEG-MedRAGは3層ハイパーグラフに基づく検索拡張生成フレームワークである。 EEGドメイン知識、個々の患者ケース、大規模リポジトリをトラバース可能なn-aryリレーショナルハイパーグラフに統合する。 第1回クロスリリース・クロスロールEEG臨床QAベンチマークを,7つの障害と5つの臨床的観点から紹介した。
  論文  参考訳（メタデータ） (2025-08-19T11:12:58Z)
• CodeBrain: Towards Decoupled Interpretability and Multi-Scale Architecture for EEG Foundation Model [52.466542039411515]
  EEGファウンデーションモデル(EFM)は、タスク固有のモデルのスケーラビリティ問題に対処するために登場した。 このギャップを埋めるために設計された2段階のEMFであるCodeBrainを紹介します。 第1段階では、異種時間・周波数の脳波信号を離散トークンに分解するTFDual-Tokenizerを導入する。 第2段階では、構造化されたグローバル畳み込みとスライディングウインドウの注意を結合したマルチスケールEEGSSMアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2025-06-10T17:20:39Z)
• BrainOmni: A Brain Foundation Model for Unified EEG and MEG Signals [46.121056431476156]
  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。 既存のアプローチは一般的に、パフォーマンスとクロスドメインのスケーラビリティを制限する、分離、モダリティ、データセット固有のモデルに依存します。 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)
• EEG2GAIT: A Hierarchical Graph Convolutional Network for EEG-based Gait Decoding [8.529597745689195]
  脳波信号からの歩行動態の復号化は、運動過程の複雑な空間依存性に起因する重要な課題である。 脳波チャネルのマルチレベル空間埋め込みをキャプチャする新しい階層グラフベースモデルであるEEG2GAITを提案する。 また,2回の研究室訪問で50名の被験者から収集した脳波と下肢関節角度データを組み合わせたGait-EEGデータセットを新たに提供した。
  論文  参考訳（メタデータ） (2025-04-02T07:48:21Z)
• 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)
• Spatiotemporal Pooling on Appropriate Topological Maps Represented as Two-Dimensional Images for EEG Classification [0.0]
  脳波(EEG)信号に基づく運動分類は、脳-コンピュータインターフェースの最も重要な応用の1つである。 本研究では,脳波を用いた3つの特徴を持つ新しい運動画像分類法を提案する。 PhysioNet EEG Movement Motor/Imageryデータセットを用いた実験の結果、提案手法は88.57%の最適分類精度を達成した。
  論文  参考訳（メタデータ） (2024-03-07T09:35:49Z)
• DGSD: Dynamical Graph Self-Distillation for EEG-Based Auditory Spatial Attention Detection [49.196182908826565]
  AAD(Auditory Attention Detection)は、マルチスピーカー環境で脳信号からターゲット話者を検出することを目的としている。 現在のアプローチは主に、画像のようなユークリッドデータを処理するために設計された従来の畳み込みニューラルネットワークに依存している。 本稿では、入力として音声刺激を必要としないAADのための動的グラフ自己蒸留(DGSD)手法を提案する。
  論文  参考訳（メタデータ） (2023-09-07T13:43:46Z)
• EOG Artifact Removal from Single and Multi-channel EEG Recordings through the combination of Long Short-Term Memory Networks and Independent Component Analysis [0.0]
  脳波信号からのEOGアーチファクト除去の課題に対処するために,LSTM(Long Short-term memory)ベースのニューラルネットワークとICAを組み合わせた新しい手法を提案する。 本研究の目的は,1) 汚染された脳波データから水平および垂直EOG信号を推定し,2) ICAを用いて脳波から推定EOG信号を除去することである。
  論文  参考訳（メタデータ） (2023-08-25T13:32:28Z)
• fMRI from EEG is only Deep Learning away: the use of interpretable DL to unravel EEG-fMRI relationships [68.8204255655161]
  多チャンネル脳波データからいくつかの皮質下領域の活性を回復するための解釈可能な領域基底解を提案する。 我々は,皮質下核の血行動態信号の頭皮脳波予測の空間的・時間的パターンを復元する。
  論文  参考訳（メタデータ） (2022-10-23T15:11:37Z)

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。