論文の概要: Deep Learning Architectures for Code-Modulated Visual Evoked Potentials Detection

• arxiv url: http://arxiv.org/abs/2511.21940v1
• Date: Wed, 26 Nov 2025 22:02:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-01 19:47:55.311264
• Title: Deep Learning Architectures for Code-Modulated Visual Evoked Potentials Detection
• Title（参考訳）: コード修正型視覚誘発電位検出のためのディープラーニングアーキテクチャ
• Authors: Kiran Nair, Hubert Cecotti,
• Abstract要約: Code-Modulated Visual Evoked Potentials (C-VEPs) に基づく非侵襲的脳インターフェイス(BCIs)は、脳波信号の時間的変動とセッション依存ノイズに対処するために、高度に堅牢な復号法を必要とする。 本研究では,63ビットのm系列再構成と分類のための畳み込みニューラルネットワーク(CNN)や類似性に基づく復号化のためのシームズネットワーク,および標準相関解析(CCA)ベースラインなど,いくつかのディープラーニングアーキテクチャを提案し,評価する。 提案した深層モデルでは,Earth Mover's Distance (EMD) を用いた距離ベースデコーディングや,より堅牢性を示す制約付きデコードにより,従来のアプローチよりも大幅に優れていた。
• 参考スコア（独自算出の注目度）: 0.40822165794627957
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Non-invasive Brain-Computer Interfaces (BCIs) based on Code-Modulated Visual Evoked Potentials (C-VEPs) require highly robust decoding methods to address temporal variability and session-dependent noise in EEG signals. This study proposes and evaluates several deep learning architectures, including convolutional neural networks (CNNs) for 63-bit m-sequence reconstruction and classification, and Siamese networks for similarity-based decoding, alongside canonical correlation analysis (CCA) baselines. EEG data were recorded from 13 healthy adults under single-target flicker stimulation. The proposed deep models significantly outperformed traditional approaches, with distance-based decoding using Earth Mover's Distance (EMD) and constrained EMD showing greater robustness to latency variations than Euclidean and Mahalanobis metrics. Temporal data augmentation with small shifts further improved generalization across sessions. Among all models, the multi-class Siamese network achieved the best overall performance with an average accuracy of 96.89%, demonstrating the potential of data-driven deep architectures for reliable, single-trial C-VEP decoding in adaptive non-invasive BCI systems.
• Abstract（参考訳）: Code-Modulated Visual Evoked Potentials (C-VEPs) に基づく非侵襲的脳-コンピュータインタフェース(BCIs)は、脳波信号の時間的変動とセッション依存ノイズに対処するために、高度に堅牢な復号法を必要とする。 本研究では,63ビットのm系列再構成と分類のための畳み込みニューラルネットワーク(CNN)や類似性に基づく復号化のためのシームズネットワーク,および標準相関解析(CCA)ベースラインなど,いくつかのディープラーニングアーキテクチャを提案し,評価する。 脳波データは, 健常成人13名を対象に, 単ターゲットフリッカー刺激下で記録した。 提案したディープモデルは、Earth Mover's Distance (EMD) と制約付きEMDを用いた距離ベースのデコードにより、ユークリッドやマハラノビスの指標よりも遅延変動に対する堅牢性が高いという従来の手法よりも大幅に優れていた。 小さなシフトを伴う時間的データ拡張は、セッション間の一般化をさらに改善する。 すべてのモデルの中で、マルチクラスのシームズネットワークは平均96.89%の精度で最高性能を達成し、適応的な非侵襲的BCIシステムにおける信頼性の高いシングルリアルC-VEPデコードのためのデータ駆動のディープアーキテクチャの可能性を示した。

関連論文リスト

• WaveNet's Precision in EEG Classification [1.0885910878567457]
  本研究では,脳波信号の生理的,病理学的,アーティファクト的,ノイズ的分類の自動化を目的としたWaveNetに基づくディープラーニングモデルを提案する。 モデルは、70/20/10%のスプリットで209,232個のサンプルをトレーニングし、検証し、テストした。 WaveNetのアーキテクチャは、もともと生音声合成のために開発されたもので、拡張因果畳み込みと残差接続を使用するため、EEGデータによく適している。
  論文  参考訳（メタデータ） (2025-10-10T09:21:21Z)
• DNN-Based Precoding in RIS-Aided mmWave MIMO Systems With Practical Phase Shift [43.56429251312585]
  本稿では、直接通信路を妨害したミリ波マルチインプット多重出力(MIMO)システムのスループットを最大化する。 リコンフィギュアブルインテリジェントサーフェス(RIS)は、視線(LoS)とマルチパス効果に関連するmmWave特性を考慮して伝送性を高めるために使用される。 ディープニューラルネットワーク(DNN)は、より高速なコードワード選択を容易にするために開発された。
  論文  参考訳（メタデータ） (2025-07-03T17:35:06Z)
• Evaluating Fast Adaptability of Neural Networks for Brain-Computer Interface [0.23020018305241333]
  我々は,CNN(Convolutional Neural Networks)に基づく分類器の入力として,運動運動と想像信号を用いる。 実験により,CNNを用いたEEG分類器の適応性は10段階未満で向上することが示された。
  論文  参考訳（メタデータ） (2024-04-14T22:36:53Z)
• Convolutional Monge Mapping Normalization for learning on sleep data [63.22081662149488]
  我々は、CMMN(Convolutional Monge Mapping Normalization)と呼ばれる新しい手法を提案する。 CMMNは、そのパワースペクトル密度(PSD)をトレーニングデータに基づいて推定されるワッサーシュタインバリセンタに適応させるために、信号をフィルタリングする。 睡眠脳波データに関する数値実験により、CMMNはニューラルネットワークアーキテクチャから独立して、顕著で一貫したパフォーマンス向上をもたらすことが示された。
  論文  参考訳（メタデータ） (2023-05-30T08:24:01Z)
• An intertwined neural network model for EEG classification in brain-computer interfaces [0.6696153817334769]
  脳コンピュータインタフェース(BCI)は、脳とコンピュータまたは外部装置との間の非刺激的直接的、時折双方向通信リンクである。 マルチクラスモータ画像分類における最先端性能を実現するために特別に設計されたディープニューラルネットワークアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2022-08-04T09:00:34Z)
• Model-based Deep Learning Receiver Design for Rate-Splitting Multiple Access [65.21117658030235]
  本研究では,モデルベース深層学習(MBDL)に基づく実用的なRSMA受信機の設計を提案する。 MBDL受信機は、符号なしシンボル誤り率(SER)、リンクレベルシミュレーション(LLS)によるスループット性能、平均トレーニングオーバーヘッドの観点から評価される。 その結果,MBDLはCSIRが不完全なSIC受信機よりも優れていた。
  論文  参考訳（メタデータ） (2022-05-02T12:23:55Z)
• Hybridization of Capsule and LSTM Networks for unsupervised anomaly detection on multivariate data [0.0]
  本稿では,Long-Short-Term-Memory(LSTM)とCapsule Networksを1つのネットワークに結合した新しいNNアーキテクチャを提案する。 提案手法は教師なし学習手法を用いて大量のラベル付きトレーニングデータを見つける際の問題を克服する。
  論文  参考訳（メタデータ） (2022-02-11T10:33:53Z)
• Decoding ECoG signal into 3D hand translation using deep learning [3.20238141000059]
  運動脳-コンピュータインターフェース(Motor Brain-Computer Interface、BCI)は、運動障害者が環境と対話できる技術である。 連続手の動きを予測するために使用されるほとんどのECoG信号デコーダは線形モデルである。 多くの問題において最先端のディープラーニングモデルは、この関係をよりよく捉えるための解決策になり得る。
  論文  参考訳（メタデータ） (2021-10-05T15:41:04Z)
• Adaptive Anomaly Detection for Internet of Things in Hierarchical Edge Computing: A Contextual-Bandit Approach [81.5261621619557]
  階層エッジコンピューティング(HEC)を用いた適応型異常検出手法を提案する。 まず,複雑性を増した複数のDNNモデルを構築し,それぞれを対応するHEC層に関連付ける。 そこで我々は、文脈帯域問題として定式化され、強化学習ポリシーネットワークを用いて解決される適応モデル選択スキームを設計する。
  論文  参考訳（メタデータ） (2021-08-09T08:45:47Z)
• ECG-DelNet: Delineation of Ambulatory Electrocardiograms with Mixed Quality Labeling Using Neural Networks [69.25956542388653]
  ディープラーニング(DL)アルゴリズムは、学術的、産業的にも重くなっている。 セグメンテーションフレームワークにECGの検出とデライン化を組み込むことにより、低解釈タスクにDLをうまく適用できることを実証する。 このモデルは、PhyloNetのQTデータベースを使用して、105個の増幅ECG記録から訓練された。
  論文  参考訳（メタデータ） (2020-05-11T16:29:12Z)

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。