論文の概要: Toward Adaptive BCIs: Enhancing Decoding Stability via User State-Aware EEG Filtering

• arxiv url: http://arxiv.org/abs/2511.07891v1
• Date: Wed, 12 Nov 2025 01:26:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-12 20:17:03.527245
• Title: Toward Adaptive BCIs: Enhancing Decoding Stability via User State-Aware EEG Filtering
• Title（参考訳）: 適応型BCIに向けて: ユーザ状態認識型EEGフィルタリングによるデコード安定性の向上
• Authors: Yeon-Woo Choi, Hye-Bin Shin, Dan Li,
• Abstract要約: 本稿では、ユーザの意図を復号する前に神経表現を洗練させる、ユーザ状態認識脳波フィルタリングフレームワークを提案する。 提案手法は,ユーザの認知状態を脳波の特徴から連続的に推定し,推定された注意度に基づいて適応重み付けを適用することにより,信頼できないセグメントをフィルタする。
• 参考スコア（独自算出の注目度）: 2.2358117822602837
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Brain-computer interfaces (BCIs) often suffer from limited robustness and poor long-term adaptability. Model performance rapidly degrades when user attention fluctuates, brain states shift over time, or irregular artifacts appear during interaction. To mitigate these issues, we introduce a user state-aware electroencephalogram (EEG) filtering framework that refines neural representations before decoding user intentions. The proposed method continuously estimates the user's cognitive state (e.g., focus or distraction) from EEG features and filters unreliable segments by applying adaptive weighting based on the estimated attention level. This filtering stage suppresses noisy or out-of-focus epochs, thereby reducing distributional drift and improving the consistency of subsequent decoding. Experiments on multiple EEG datasets that emulate real BCI scenarios demonstrate that the proposed state-aware filtering enhances classification accuracy and stability across different user states and sessions compared with conventional preprocessing pipelines. These findings highlight that leveraging brain-derived state information--even without additional user labels--can substantially improve the reliability of practical EEG-based BCIs.
• Abstract（参考訳）: 脳-コンピュータインタフェース(BCI)は、しばしば限られた堅牢性と長期適応性に悩まされる。 モデルの性能は、ユーザーの注意が変動したり、時間とともに脳の状態が変化したり、相互作用中に不規則な成果物が現れると急速に低下する。 これらの問題を緩和するために、ユーザ意図を復号する前に神経表現を洗練するユーザ状態認識脳波フィルタリングフレームワークを導入する。 提案手法は,ユーザの認知状態を脳波の特徴から連続的に推定し,推定された注意度に基づいて適応重み付けを適用することにより,信頼できないセグメントをフィルタする。 このフィルタリング段階はノイズやアウトオブフォーカスのエポックを抑制し、分散ドリフトを低減し、その後の復号の整合性を向上させる。 実際のBCIシナリオをエミュレートする複数のEEGデータセットの実験では、提案された状態認識フィルタリングにより、従来の前処理パイプラインと比較して、異なるユーザ状態やセッションの分類精度と安定性が向上することが示された。 これらの結果から,脳から得られる情報を活用することで,実用的な脳波ベースのBCIの信頼性が大幅に向上する可能性が示唆された。

関連論文リスト

• Meta-cognitive Multi-scale Hierarchical Reasoning for Motor Imagery Decoding [43.32839547082765]
  本研究では,4クラス脳波(EEG)信号の階層的,メタ認知的デコードフレームワークについて検討する。 バックボーンの特徴を時間的マルチスケール表現に再構成するマルチスケール階層型信号処理モジュールを提案する。 我々は,このフレームワークを3つの標準脳波バックボーン上でインスタンス化し,BCIコンペティションIV-2aデータセットを用いて4クラスMIデコーディングを評価する。
  論文  参考訳（メタデータ） (2025-11-11T06:32:23Z)
• TransFIRA: Transfer Learning for Face Image Recognizability Assessment [73.61309363885552]
  TransFIRAは軽量でアノテーションのないフレームワークで、埋め込みスペースで直接認識できる。 顔以外の新しい拡張には、エンコーダで座屈した説明可能性があり、これは、劣化と被写体固有の要因が認識可能性にどのように影響するかを示す。 実験では、顔に対する最先端の結果、身体認識に対する強い堅牢性、およびデータセット間のシフトの下で確認された。
  論文  参考訳（メタデータ） (2025-10-07T18:16:21Z)
• EKPC: Elastic Knowledge Preservation and Compensation for Class-Incremental Learning [53.88000987041739]
  クラスインクリメンタルラーニング(Class-Incremental Learning, CIL)は、AIモデルを、時間とともに異なるクラスのシーケンシャルに到着したデータから継続的に学習可能にすることを目的としている。 本稿では, 重要度を考慮した重要度正規化 (IPR) と CIL のためのトレーニング可能なセマンティックドリフト補償 (TSDC) を統合したElastic Knowledge Preservation and Compensation (EKPC) 法を提案する。
  論文  参考訳（メタデータ） (2025-06-14T05:19:58Z)
• Error-related Potential driven Reinforcement Learning for adaptive Brain-Computer Interfaces [0.0]
  本研究では、強化学習(RL)を用いた適応型ErrPベースのBCI手法を提案する。 ErrPと運動画像を組み合わせたRL駆動適応フレームワークの実現可能性を示す。 RLエージェントはユーザインタラクションからコントロールポリシを学び、データセット間で堅牢なパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2025-02-25T19:27:51Z)
• Bisimulation metric for Model Predictive Control [44.301098448479195]
  Bisimulation Metric for Model Predictive Control (BS-MPC) は、目的関数にbisimulation metric lossを組み込んでエンコーダを直接最適化する新しい手法である。 BS-MPCは、トレーニング時間を削減することにより、トレーニング安定性、入力ノイズに対する堅牢性、および計算効率を向上させる。 我々は,DeepMind Control Suiteから連続制御および画像ベースタスクのBS-MPCを評価する。
  論文  参考訳（メタデータ） (2024-10-06T17:12:10Z)
• Spatial Adaptation Layer: Interpretable Domain Adaptation For Biosignal Sensor Array Applications [0.7499722271664147]
  生体信号アレイモデルに適用可能な空間適応層(SAL)を提案する。 また,学習可能なベースライン正規化(LBN)を導入し,ベースライン変動を低減する。 2つのHD-sEMGジェスチャ認識データセットでテストした結果、SALとLBNは通常の配列の標準微調整よりも優れていた。
  論文  参考訳（メタデータ） (2024-09-12T14:06:12Z)
• Introducing User Feedback-based Counterfactual Explanations (UFCE) [49.1574468325115]
  対実的説明(CE)は、XAIで理解可能な説明を生成するための有効な解決策として浮上している。 UFCEは、アクション可能な機能のサブセットで最小限の変更を決定するために、ユーザー制約を含めることができる。 UFCEは、textitproximity(英語版)、textitsparsity(英語版)、textitfeasibility(英語版)の2つのよく知られたCEメソッドより優れている。
  論文  参考訳（メタデータ） (2024-02-26T20:09:44Z)
• EEG-NeXt: A Modernized ConvNet for The Classification of Cognitive Activity from EEG [0.0]
  脳波(EEG)に基づく脳-コンピュータインタフェース(BCI)システムにおける大きな課題の1つは、認知活動の分類のために主題/セッション不変の特徴を学習することである。 転送学習を容易にする新しいエンドツーエンド機械学習パイプラインであるEEG-NeXtを提案する。
  論文  参考訳（メタデータ） (2022-12-08T10:15:52Z)
• Novel EEG-based BCIs for Elderly Rehabilitation Enhancement [0.8057006406834467]
  老化過程は認知障害や身体障害を引き起こし、高齢者の日常生活に影響を及ぼす可能性がある。 脳コンピュータインタフェース(BCI)の使用は、リハビリテーション手順の促進と強化に特に有効であることが判明した。 BCIは患者のエンゲージメントを高め、高齢者全体の健康改善のための信頼性の高いツールであることが証明された。
  論文  参考訳（メタデータ） (2021-10-08T08:31:53Z)
• StableEmit: Selection Probability Discount for Reducing Emission Latency of Streaming Monotonic Attention ASR [46.69852287267763]
  我々は,MoChAが早期にトークンを発行することを奨励するために,単純なアライメントフリーの正規化手法であるStableEmitを提案する。 以上の結果から,StableEmitは認識誤差と発光遅延を同時に低減することがわかった。
  論文  参考訳（メタデータ） (2021-07-01T17:49:31Z)

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。