論文の概要: Subject-Independent Imagined Speech Detection via Cross-Subject Generalization and Calibration

• arxiv url: http://arxiv.org/abs/2511.13739v1
• Date: Tue, 11 Nov 2025 07:21:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-19 16:23:52.662583
• Title: Subject-Independent Imagined Speech Detection via Cross-Subject Generalization and Calibration
• Title（参考訳）: クロスオブジェクト一般化と校正による主観非依存的音声検出
• Authors: Byung-Kwan Ko, Soowon Kim, Seo-Hyun Lee,
• Abstract要約: 本研究は,ニューラルデコードフレームワークにおいて,トレーニングダイナミクスと軽量な対象特化が被験者間性能に与える影響について検討した。 対象者毎のトレーニングセグメントが短く、被験者間の頻繁な交互化を伴う巡回的対象者間トレーニングアプローチは、未確認対象データ間での復号性能を緩やかに改善する結果となった。
• 参考スコア（独自算出の注目度）: 3.5174884177930448
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Achieving robust generalization across individuals remains a major challenge in electroencephalogram based imagined speech decoding due to substantial variability in neural activity patterns. This study examined how training dynamics and lightweight subject specific adaptation influence cross subject performance in a neural decoding framework. A cyclic inter subject training approach, involving shorter per subject training segments and frequent alternation among subjects, led to modest yet consistent improvements in decoding performance across unseen target data. Furthermore, under the subject calibrated leave one subject out scheme, incorporating only 10 % of the target subjects data for calibration achieved an accuracy of 0.781 and an AUC of 0.801, demonstrating the effectiveness of few shot adaptation. These findings suggest that integrating cyclic training with minimal calibration provides a simple and effective strategy for developing scalable, user adaptive brain computer interface systems that balance generalization and personalization.
• Abstract（参考訳）: 個人間の堅牢な一般化を実現することは、脳波に基づく想像的音声復号において、神経活動パターンのかなりの変動に起因する大きな課題である。 本研究は,ニューラルデコードフレームワークにおいて,トレーニングダイナミクスと軽量な対象特化が被験者間性能に与える影響について検討した。 対象者毎のトレーニングセグメントが短く、被験者間の頻繁な交互化を伴う巡回的対象者間トレーニングアプローチは、未確認対象データ間での復号性能を緩やかに改善する結果となった。 さらに, 被検体検定では, 被検体データの10%のみを校正し, 精度0.781, AUC0.801を達成し, 少ない撮影適応の有効性を示した。 これらの結果から,サイクリックトレーニングを最小限のキャリブレーションと組み合わせることで,一般化とパーソナライゼーションのバランスをとるスケーラブルでユーザ適応型脳コンピュータインタフェースシステムの開発に,シンプルかつ効果的な戦略が提供されることが示唆された。

関連論文リスト

• Explicit modelling of subject dependency in BCI decoding [12.17288254938554]
  Brain-Computer Interfaces (BCI) は、高いオブジェクト間の変動とラベル付きデータに悩まされる。 被験者の身元を条件とした軽量畳み込みニューラルネットワーク(CNN)を用いて、対象の依存関係を明示的にモデル化するエンド・ツー・エンドのアプローチを提案する。
  論文  参考訳（メタデータ） (2025-09-27T10:51:42Z)
• Dynamic Loss-Based Sample Reweighting for Improved Large Language Model Pretraining [55.262510814326035]
  既存のリウェイト戦略は主にグループレベルのデータの重要性に焦点を当てている。 動的・インスタンスレベルのデータ再重み付けのための新しいアルゴリズムを提案する。 当社のフレームワークでは,冗長データや非形式データを優先的に再重み付けする戦略を考案することが可能です。
  論文  参考訳（メタデータ） (2025-02-10T17:57:15Z)
• Subject Representation Learning from EEG using Graph Convolutional Variational Autoencoders [20.364067310176054]
  GC-VASEはグラフ畳み込みに基づく変分オートエンコーダであり、脳波データからの主観的表現学習にコントラスト学習を利用する。 本手法は,主観的識別に適した分割ラテント空間アーキテクチャを用いて,頑健な主観的潜在表現をうまく学習する。
  論文  参考訳（メタデータ） (2025-01-13T17:29:31Z)
• Electroencephalogram Emotion Recognition via AUC Maximization [0.0]
  不均衡データセットは神経科学、認知科学、医学診断などの分野で大きな課題を提起する。 本研究は,DEAPデータセットにおけるライキングラベルを例として,イシュークラスの不均衡に対処する。
  論文  参考訳（メタデータ） (2024-08-16T19:08:27Z)
• Contextual Squeeze-and-Excitation for Efficient Few-Shot Image Classification [57.36281142038042]
  本稿では,事前学習したニューラルネットワークを新しいタスクで調整し,性能を大幅に向上させる,Contextual Squeeze-and-Excitation (CaSE) という適応ブロックを提案する。 また、メタトレーニングされたCaSEブロックと微調整ルーチンを利用して効率よく適応する、アッパーCaSEと呼ばれるコーディネートダイスに基づく新しいトレーニングプロトコルを提案する。
  論文  参考訳（メタデータ） (2022-06-20T15:25:08Z)
• Improving robustness of jet tagging algorithms with adversarial training [56.79800815519762]
  本研究では,フレーバータグ付けアルゴリズムの脆弱性について,敵攻撃による検証を行った。 シミュレーション攻撃の影響を緩和する対人訓練戦略を提案する。
  論文  参考訳（メタデータ） (2022-03-25T19:57:19Z)
• Semantic Perturbations with Normalizing Flows for Improved Generalization [62.998818375912506]
  我々は、非教師付きデータ拡張を定義するために、潜在空間における摂動が利用できることを示す。 トレーニングを通して分類器に適応する潜伏性対向性摂動が最も効果的であることが判明した。
  論文  参考訳（メタデータ） (2021-08-18T03:20:00Z)
• Meta-learning One-class Classifiers with Eigenvalue Solvers for Supervised Anomaly Detection [55.888835686183995]
  教師付き異常検出のためのニューラルネットワークに基づくメタラーニング手法を提案する。 提案手法は,既存の異常検出法や少数ショット学習法よりも優れた性能を実現することを実験的に実証した。
  論文  参考訳（メタデータ） (2021-03-01T01:43:04Z)
• Ada-Segment: Automated Multi-loss Adaptation for Panoptic Segmentation [95.31590177308482]
  我々は,トレーニング期間中に複数のトレーニング損失を柔軟に調整する自動マルチロス適応(ada-segment)を提案する。 エンドツーエンドアーキテクチャにより、ada-segmentはハイパーパラメータを再チューニングすることなく、異なるデータセットに一般化する。 Ada-Segmentは、バニラベースラインからCOCOval分割に2.7%のパノラマ品質(PQ)改善をもたらし、COCOテストデブ分割に最新の48.5%PQ、ADE20Kデータセットに32.9%PQを達成しました。
  論文  参考訳（メタデータ） (2020-12-07T11:43:10Z)

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。