論文の概要: Brian Intensify: An Adaptive Machine Learning Framework for Auditory EEG Stimulation and Cognitive Enhancement in FXS

• arxiv url: http://arxiv.org/abs/2511.09765v1
• Date: Fri, 14 Nov 2025 01:08:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-14 22:53:22.468993
• Title: Brian Intensify: An Adaptive Machine Learning Framework for Auditory EEG Stimulation and Cognitive Enhancement in FXS
• Title（参考訳）: Brian Intensify:FXSにおける聴覚脳波刺激と認知的増強のための適応型機械学習フレームワーク
• Authors: Zag ElSayed, Grace Westerkamp, Jack Yanchen Liu, Ernest Pedapati,
• Abstract要約: 本稿では、周波数特異的聴覚刺激による神経振動の変調を目的とした、適応型機械学習ベースの脳-コンピュータインタフェース(BCI)を提案する。 教師付き機械学習フレームワークは、脳波応答を予測し、刺激パラメータを動的に調整し、リアルタイム、主題固有の適応を可能にする。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Neurodevelopmental disorders such as Fragile X Syndrome (FXS) and Autism Spectrum Disorder (ASD) are characterized by disrupted cortical oscillatory activity, particularly in the alpha and gamma frequency bands. These abnormalities are linked to deficits in attention, sensory processing, and cognitive function. In this work, we present an adaptive machine learning-based brain-computer interface (BCI) system designed to modulate neural oscillations through frequency-specific auditory stimulation to enhance cognitive readiness in individuals with FXS. EEG data were recorded from 38 participants using a 128-channel system under a stimulation paradigm consisting of a 30-second baseline (no stimulus) followed by 60-second auditory entrainment episodes at 7Hz, 9Hz, 11Hz, and 13Hz. A comprehensive analysis of power spectral features (Alpha, Gamma, Delta, Theta, Beta) and cross-frequency coupling metrics (Alpha-Gamma, Alpha-Beta, etc.) was conducted. The results identified Peak Alpha Power, Peak Gamma Power, and Alpha Power per second per channel as the most discriminative biomarkers. The 13Hz stimulation condition consistently elicited a significant increase in Alpha activity and suppression of Gamma activity, aligning with our optimization objective. A supervised machine learning framework was developed to predict EEG responses and dynamically adjust stimulation parameters, enabling real-time, subject-specific adaptation. This work establishes a novel EEG-driven optimization framework for cognitive neuromodulation, providing a foundational model for next-generation AI-integrated BCI systems aimed at personalized neurorehabilitation in FXS and related disorders.
• Abstract（参考訳）: Fragile X syndrome (FXS) や自閉症スペクトラム障害 (ASD) などの神経発達障害は、特にアルファ周波数帯とガンマ周波数帯において、皮質の発振活性が破壊されているのが特徴である。 これらの異常は注意欠陥、感覚処理、認知機能と関連している。 本研究では,周波数特異的聴覚刺激によって脳の振動を調節し,FXS患者に対する認知的準備性を高めるための適応型機械学習ベースの脳-コンピュータインタフェース(BCI)システムを提案する。 7Hz,9Hz,11Hz,13Hzで,30秒のベースライン(無刺激)と60秒の難聴エピソードからなる刺激パラダイムを用いて,38名の被験者から脳波データを記録した。 パワースペクトル(Alpha, Gamma, Delta, Theta, Beta)と周波数間カップリング(Alpha-Gamma, Alpha-Betaなど)の総合的な解析を行った。 その結果,ピーク・アルファ・パワー,ピーク・ガンマ・パワー,アルファ・パワーを最も識別性の高いバイオマーカーとして同定した。 13Hzの刺激条件は,α活性の増加とガンマ活性の抑制を連続的に引き起こし,最適化目標と一致した。 教師付き機械学習フレームワークは、脳波応答を予測し、刺激パラメータを動的に調整し、リアルタイム、主題固有の適応を可能にする。 この研究は、認知神経変調のための新しい脳波駆動最適化フレームワークを確立し、FXSおよび関連疾患におけるパーソナライズされた神経リハビリテーションを目的とした、次世代AI統合BCIシステムの基盤モデルを提供する。

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)
• Automated Vigilance State Classification in Rodents Using Machine Learning and Feature Engineering [1.5390962520179197]
  本研究では,脳波記録(EEG)を小げっ歯類に分類するために,Team Neural Prognosticatorsによって開発された自動フレームワークを提案する。 このシステムは、高度な信号処理と機械学習を統合し、時間領域と周波数領域の両方のエンジニアリングされた特徴を活用する。 XGBoostモデルは、全体的な精度91.5%、精度86.8%、リコール81.2%、F1スコア83.5%を達成し、全てのベースライン法を上回った。
  論文  参考訳（メタデータ） (2025-07-08T19:08:57Z)
• Neuromorphic Wireless Split Computing with Resonate-and-Fire Neurons [69.73249913506042]
  本稿では、共振器(RF)ニューロンを用いて時間領域信号を直接処理する無線スプリットコンピューティングアーキテクチャについて検討する。 可変周波数で共鳴することにより、RFニューロンは低スパイク活性を維持しながら時間局在スペクトル特徴を抽出する。 実験の結果,提案したRF-SNNアーキテクチャは従来のLIF-SNNやANNと同等の精度を達成できることがわかった。
  論文  参考訳（メタデータ） (2025-06-24T21:14:59Z)
• Neurophysiologically Realistic Environment for Comparing Adaptive Deep Brain Stimulation Algorithms in Parkinson Disease [1.45543311565555]
  aDBSでは、外科的に配置された電極が神経生理学的フィードバックに基づいて動的に変化した刺激を脳に送る。 我々は,そのモデルを比較するために,最初の神経生理学的に現実的なベンチマークを導入する。 我々は,ディープラーニング(RL)アルゴリズムを学習し,評価するための構造化環境として,我々のフレームワークを構築した。
  論文  参考訳（メタデータ） (2025-04-26T09:44:44Z)
• Spatiotemporal Learning of Brain Dynamics from fMRI Using Frequency-Specific Multi-Band Attention for Cognitive and Psychiatric Applications [5.199807441687141]
  MBBN(Multi-Band Net Brain)は、周波数特異的脳波を明示的にモデル化するトランスフォーマーベースのフレームワークである。 MBBNは3つの大規模なコホートで49,673人の個人を訓練し、精神医学と認知学の成果を予測する新しい最先端技術を確立している。
  論文  参考訳（メタデータ） (2025-03-30T10:56:50Z)
• Exploring neural oscillations during speech perception via surrogate gradient spiking neural networks [59.38765771221084]
  本稿では、ディープラーニングフレームワークと互換性があり、スケーラブルな、生理学的にインスパイアされた音声認識アーキテクチャを提案する。 本研究では, 終末から終末までの勾配降下訓練が, 中枢スパイク神経ネットワークにおける神経振動の出現に繋がることを示す。 本研究は, スパイク周波数適応やリカレント接続などのフィードバック機構が, 認識性能を向上させるために, 神経活動の調節と同期に重要な役割を担っていることを明らかにする。
  論文  参考訳（メタデータ） (2024-04-22T09:40:07Z)
• Wavelet Analysis of Noninvasive EEG Signals Discriminates Complex and Natural Grasp Types [0.14999444543328289]
  本研究の目的は,脳波を用いた神経補綴器開発と脳-コンピュータ・インタフェース(BCI)の応用を目的とした脳波からの握手をデコードすることである。
  論文  参考訳（メタデータ） (2024-01-31T23:13:38Z)
• Conformer Based Elderly Speech Recognition System for Alzheimer's Disease Detection [62.23830810096617]
  アルツハイマー病(AD)の早期診断は、予防ケアがさらなる進行を遅らせるのに不可欠である。 本稿では,DementiaBank Pitt コーパスをベースとした最新のコンバータに基づく音声認識システムの開発について述べる。
  論文  参考訳（メタデータ） (2022-06-23T12:50:55Z)
• Characterizing TMS-EEG perturbation indexes using signal energy: initial study on Alzheimer's Disease classification [48.42347515853289]
  経頭蓋磁気刺激(TMS)と脳波記録(TMS-EEG)を組み合わせることで、脳、特にアルツハイマー病(AD)の研究に大きな可能性を示す。 本研究では,脳機能の変化を反映した電位指標として,脳波信号のTMS誘発摂動の持続時間を自動的に決定する手法を提案する。
  論文  参考訳（メタデータ） (2022-04-29T19:27:06Z)

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。