論文の概要: Decoding Listeners Identity: Person Identification from EEG Signals Using a Lightweight Spiking Transformer

• arxiv url: http://arxiv.org/abs/2510.17879v1
• Date: Fri, 17 Oct 2025 08:20:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-25 03:08:12.250501
• Title: Decoding Listeners Identity: Person Identification from EEG Signals Using a Lightweight Spiking Transformer
• Title（参考訳）: リスナー識別の復号化:軽量スパイキング変換器を用いた脳波信号からの人物識別
• Authors: Zheyuan Lin, Siqi Cai, Haizhou Li,
• Abstract要約: スパイキングニューラルネットワーク(SNN)を用いた新しい脳波人物識別手法を提案する。 提案したSNNモデルは、脳波信号に固有の時間的複雑さを扱うことができる。 EEG-Music Emotion Recognition Challengeデータセットでは,10%未満のエネルギー消費で100%の分類精度を実現する。
• 参考スコア（独自算出の注目度）: 31.66487449656124
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: EEG-based person identification enables applications in security, personalized brain-computer interfaces (BCIs), and cognitive monitoring. However, existing techniques often rely on deep learning architectures at high computational cost, limiting their scope of applications. In this study, we propose a novel EEG person identification approach using spiking neural networks (SNNs) with a lightweight spiking transformer for efficiency and effectiveness. The proposed SNN model is capable of handling the temporal complexities inherent in EEG signals. On the EEG-Music Emotion Recognition Challenge dataset, the proposed model achieves 100% classification accuracy with less than 10% energy consumption of traditional deep neural networks. This study offers a promising direction for energy-efficient and high-performance BCIs. The source code is available at https://github.com/PatrickZLin/Decode-ListenerIdentity.
• Abstract（参考訳）: EEGベースの個人識別は、セキュリティ、パーソナライズされた脳-コンピュータインターフェース(BCI)、認知監視におけるアプリケーションを可能にする。 しかし、既存の技術は、しばしば高い計算コストでディープラーニングアーキテクチャに依存し、アプリケーションの範囲を制限している。 本研究では,スパイキングニューラルネットワーク(SNN)を用いた新しい脳波人物識別手法を提案する。 提案したSNNモデルは、脳波信号に固有の時間的複雑さを扱うことができる。 EEG-Music Emotion Recognition Challengeデータセットでは、従来のディープニューラルネットワークの10%未満のエネルギー消費で100%の分類精度を達成する。 本研究は,エネルギー効率と高性能BCIの実現に向けて有望な方向性を示す。 ソースコードはhttps://github.com/PatrickZLin/Decode-ListenerIdentityで入手できる。

関連論文リスト

• NeuroRVQ: Multi-Scale EEG Tokenization for Generative Large Brainwave Models [66.91449452840318]
  我々は、コードブックベースのトークン化装置を中心としたスケーラブルな大脳波モデル(LBM)であるNeuroRVQを紹介する。 我々のトークンライザは, (i) フル周波数のニューラルスペクトルを捕捉するマルチスケール特徴抽出モジュール, (ii) 高精細符号化のための階層的残留ベクトル量子化(RVQ)コードブック, (iii) 効率的なトレーニングのためのEEG信号位相および振幅認識損失関数を統合する。 実験の結果,NeuroRVQは再建誤差を低くし,様々な下流タスクにおいて既存のLBMよりも優れることがわかった。
  論文  参考訳（メタデータ） (2025-10-15T01:26:52Z)
• Consumer-friendly EEG-based Emotion Recognition System: A Multi-scale Convolutional Neural Network Approach [1.3812010983144802]
  脳波は脳内の電気生理学的信号を記録する非侵襲的で安全でリスクの低い方法である。 本稿では,マルチスケール畳み込みニューラルネットワークを用いた新しい手法を提案する。
  論文  参考訳（メタデータ） (2025-06-19T16:33:31Z)
• EEG-Deformer: A Dense Convolutional Transformer for Brain-computer Interfaces [17.524441950422627]
  本稿では,CNN-Transformerに2つの新しいコンポーネントを組み込んだEEG-Deformerを紹介する。 EEG-Deformerは神経生理学的に意味のある脳領域から学習し、対応する認知タスクを学習する。
  論文  参考訳（メタデータ） (2024-04-25T18:00:46Z)
• EEG decoding with conditional identification information [7.873458431535408]
  脳波信号を復号することは、人間の脳を解き放ち、脳とコンピュータのインターフェースを進化させるのに不可欠である。 従来の機械学習アルゴリズムは、高ノイズレベルと脳波信号の個人間変動によって妨げられている。 ディープニューラルネットワーク(DNN)の最近の進歩は、その高度な非線形モデリング能力のために、将来性を示している。
  論文  参考訳（メタデータ） (2024-03-21T13:38:59Z)
• 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)
• Braille Letter Reading: A Benchmark for Spatio-Temporal Pattern Recognition on Neuromorphic Hardware [50.380319968947035]
  近年の深層学習手法は,そのようなタスクにおいて精度が向上しているが,従来の組込みソリューションへの実装は依然として計算量が非常に高く,エネルギーコストも高い。 文字読み込みによるエッジにおける触覚パターン認識のための新しいベンチマークを提案する。 フィードフォワードとリカレントスパイキングニューラルネットワーク(SNN)を、サロゲート勾配の時間によるバックプロパゲーションを用いてオフラインでトレーニングし比較し、効率的な推論のためにIntel Loihimorphicチップにデプロイした。 LSTMは14%の精度で繰り返しSNNより優れており、Loihi上での繰り返しSNNは237倍のエネルギーである。
  論文  参考訳（メタデータ） (2022-05-30T14:30:45Z)
• EEG-ITNet: An Explainable Inception Temporal Convolutional Network for Motor Imagery Classification [0.5616884466478884]
  我々はEEG-ITNetと呼ばれる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。 本モデルでは,多チャンネル脳波信号からスペクトル,空間,時間情報を抽出することができる。 EEG-ITNetは、異なるシナリオにおける分類精度を最大5.9%改善する。
  論文  参考訳（メタデータ） (2022-04-14T13:18:43Z)
• Emotional EEG Classification using Connectivity Features and Convolutional Neural Networks [81.74442855155843]
  CNNと脳のつながりを利用した新しい分類システムを導入し,その効果を感情映像分類により検証する。 対象映像の感情的特性に関連する脳接続の集中度は分類性能と相関する。
  論文  参考訳（メタデータ） (2021-01-18T13:28:08Z)
• EEG-Based Brain-Computer Interfaces Are Vulnerable to Backdoor Attacks [68.01125081367428]
  近年の研究では、機械学習アルゴリズムは敵攻撃に弱いことが示されている。 本稿では,脳波をベースとしたBCIの毒殺攻撃に狭周期パルスを用いることを提案する。
  論文  参考訳（メタデータ） (2020-10-30T20:49:42Z)
• Classification and Recognition of Encrypted EEG Data Neural Network [10.171935814743678]
  ニューラルネットワークに基づく暗号化脳波データの分類と認識手法を提案する。 EEGデータを暗号化するためにPaillier暗号化アルゴリズムを採用し、浮動小数点演算の問題を解決する。 我々の提案は、他のソリューションと比較して十分な精度、効率、実現可能性を持っている。
  論文  参考訳（メタデータ） (2020-06-15T04:21:23Z)

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。