論文の概要: GCMCG: A Clustering-Aware Graph Attention and Expert Fusion Network for Multi-Paradigm, Multi-task, and Cross-Subject EEG Decoding

• arxiv url: http://arxiv.org/abs/2512.00574v1
• Date: Sat, 29 Nov 2025 18:05:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-02 19:46:34.30361
• Title: GCMCG: A Clustering-Aware Graph Attention and Expert Fusion Network for Multi-Paradigm, Multi-task, and Cross-Subject EEG Decoding
• Title（参考訳）: GCMCG:マルチパラダイム、マルチタスク、クロスオブジェクトEEGデコーディングのためのクラスタリング対応グラフ注意とエキスパートフュージョンネットワーク
• Authors: Yiqiao Chen, Zijian Huang, Juchi He, Fazheng Xu, Zhenghui Feng,
• Abstract要約: 運動画像(MI)脳波(EEG)信号に基づく脳-コンピュータインタフェース(BCI)は、人間と機械の相互作用の直接的な経路を提供する。 本稿では,MI-ME EEGデコーディングのための新しい統合フレームワークであるGraph-guided Clustering Mixture-of-Experts CNNGRUGを提案する。
• 参考スコア（独自算出の注目度）: 0.7871262900865523
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Brain-Computer Interfaces (BCIs) based on Motor Execution (ME) and Motor Imagery (MI) electroencephalogram (EEG) signals offer a direct pathway for human-machine interaction. However, developing robust decoding models remains challenging due to the complex spatio-temporal dynamics of EEG, its low signal-to-noise ratio, and the limited generalizability of many existing approaches across subjects and paradigms. To address these issues, this paper proposes Graph-guided Clustering Mixture-of-Experts CNN-GRU (GCMCG), a novel unified framework for MI-ME EEG decoding. Our approach integrates a robust preprocessing stage using Independent Component Analysis and Wavelet Transform (ICA-WT) for effective denoising. We further introduce a pre-trainable graph tokenization module that dynamically models electrode relationships via a Graph Attention Network (GAT), followed by unsupervised spectral clustering to decompose signals into interpretable functional brain regions. Each region is processed by a dedicated CNN-GRU expert network, and a gated fusion mechanism with L1 regularization adaptively combines these local features with a global expert. This Mixture-of-Experts (MoE) design enables deep spatio-temporal fusion and enhances representational capacity. A three-stage training strategy incorporating focal loss and progressive sampling is employed to improve cross-subject generalization and handle class imbalance. Evaluated on three public datasets of varying complexity (EEGmmidb-BCI2000, BCI-IV 2a, and M3CV), GCMCG achieves overall accuracies of 86.60%, 98.57%, and 99.61%, respectively, which demonstrates its superior effectiveness and strong generalization capability for practical BCI applications.
• Abstract（参考訳）: 運動実行(ME)および運動画像(MI)脳波(EEG)信号に基づく脳-コンピュータインタフェース(BCI)は、人間と機械の相互作用の直接的な経路を提供する。 しかし、ロバストデコーディングモデルの開発は、脳波の複雑な時空間ダイナミクス、信号対雑音比の低さ、主題やパラダイムにまたがる既存の多くのアプローチの限定的な一般化性のために、依然として困難なままである。 これらの課題に対処するために,MI-ME EEGデコードのための新しい統合フレームワークであるGraph-guided Clustering Mixture-of-Experts CNN-GRU(GCMCG)を提案する。 提案手法は,独立成分分析とウェーブレット変換(ICA-WT)を併用して,ロバストな前処理段階を統合する。 さらに、グラフ注意ネットワーク(GAT)を介して電極関係を動的にモデル化する事前学習可能なグラフトークン化モジュールを導入し、非教師なしスペクトルクラスタリングにより、信号を解釈可能な機能的脳領域に分解する。 各領域は専用のCNN-GRUエキスパートネットワークで処理され、L1正規化によるゲート融合機構はこれらのローカル特徴とグローバルエキスパートを適応的に結合する。 このMixture-of-Experts (MoE)設計は、時空間の深層融合を可能にし、表現能力を高める。 焦点損失とプログレッシブサンプリングを取り入れた3段階のトレーニング戦略を用いて、クロスオブジェクトの一般化を改善し、クラス不均衡を処理する。 様々な複雑さの3つの公開データセット(EEGmmidb-BCI2000、BCI-IV 2a、M3CV)で評価され、GCMCGは、それぞれ86.60%、98.57%、99.61%の総合的な精度を達成する。

関連論文リスト

• Power Grid Control with Graph-Based Distributed Reinforcement Learning [60.49805771047161]
  この作業は、リアルタイムでスケーラブルなグリッド管理のためのグラフベースの分散強化学習フレームワークを前進させる。 グラフニューラルネットワーク(GNN)を使用して、ネットワークのトポロジ情報を単一の低レベルエージェントの観測内にエンコードする。 Grid2Opシミュレーション環境での実験は、このアプローチの有効性を示している。
  論文  参考訳（メタデータ） (2025-09-02T22:17:25Z)
• MIRepNet: A Pipeline and Foundation Model for EEG-Based Motor Imagery Classification [12.648298676665886]
  脳コンピュータインタフェース(BCI)は、脳と外部デバイス間の直接通信を可能にする。 最近の脳波基礎モデルは、多様なBCIパラダイムにわたる一般化された表現を学習することを目的としている。 本稿では,運動画像パラダイムに適した脳波基礎モデルMIRepNetを提案する。
  論文  参考訳（メタデータ） (2025-07-27T12:54:42Z)
• CRIA: A Cross-View Interaction and Instance-Adapted Pre-training Framework for Generalizable EEG Representations [52.251569042852815]
  CRIAは、可変長および可変チャネルコーディングを使用して、異なるデータセット間でEEGデータの統一表現を実現する適応フレームワークである。 このモデルでは、時間的、スペクトル的、空間的特徴を効果的に融合させるクロスアテンション機構を採用している。 テンプル大学脳波コーパスとCHB-MITデータセットによる実験結果から、CRIAは既存の方法よりも、同じ事前学習条件で優れていることが示された。
  論文  参考訳（メタデータ） (2025-06-19T06:31:08Z)
• CodeBrain: Towards Decoupled Interpretability and Multi-Scale Architecture for EEG Foundation Model [52.466542039411515]
  EEGファウンデーションモデル(EFM)は、タスク固有のモデルのスケーラビリティ問題に対処するために登場した。 このギャップを埋めるために設計された2段階のEMFであるCodeBrainを紹介します。 第1段階では、異種時間・周波数の脳波信号を離散トークンに分解するTFDual-Tokenizerを導入する。 第2段階では、構造化されたグローバル畳み込みとスライディングウインドウの注意を結合したマルチスケールEEGSSMアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2025-06-10T17:20:39Z)
• A CNN-based Local-Global Self-Attention via Averaged Window Embeddings for Hierarchical ECG Analysis [1.0844302367985357]
  本稿では,この制限に対処するため,新しいLGA(Local-Global Attention ECG)モデルを提案する。 提案手法は,重なり合う畳み込みウィンドウから得られる埋め込みを平均化することでクエリを抽出する。 CODE-15データセットで行った実験は、LGA-ECGが最先端モデルより優れていることを示した。
  論文  参考訳（メタデータ） (2025-04-13T01:21:18Z)
• CEReBrO: Compact Encoder for Representations of Brain Oscillations Using Efficient Alternating Attention [46.47343031985037]
  交互注意(CEReBrO)を用いた脳振動の表現のための圧縮法について紹介する。 トークン化方式は、チャネルごとのパッチで脳波信号を表現します。 本研究では,チャネル内時間的ダイナミックスとチャネル間空間的相関を共同でモデル化し,通常の自己アテンションに比べて6倍少ないメモリで2倍の速度向上を実現するための注意機構を提案する。
  論文  参考訳（メタデータ） (2025-01-18T21:44:38Z)
• A Multi-Resolution Mutual Learning Network for Multi-Label ECG Classification [11.105845244103506]
  本稿では,Multi-Resolution Mutual Learning Network (MRM-Net)を提案する。 MRM-Netはデュアルレゾリューションアテンションアーキテクチャと機能補完機構を備えている。 マルチラベルのECG分類性能において、既存の手法よりも大幅に優れています。
  論文  参考訳（メタデータ） (2024-06-12T13:40:03Z)
• ConTraNet: A single end-to-end hybrid network for EEG-based and EMG-based human machine interfaces [0.0]
  本稿では,CNN と Transformer アーキテクチャをベースとした ConTraNet という単一ハイブリッドモデルを提案する。 ConTraNetは、異なるHMIパラダイムから異なる特徴を学習し、アートアルゴリズムの現在の状態と同等に一般化する。
  論文  参考訳（メタデータ） (2022-06-21T18:55:50Z)
• GCNs-Net: A Graph Convolutional Neural Network Approach for Decoding Time-resolved EEG Motor Imagery Signals [8.19994663278877]
  グラフ畳み込みニューラルネットワーク(GCN)に基づく新しいディープラーニングフレームワークを提案し,生の脳波信号の復号性能を向上させる。 導入されたアプローチは、パーソナライズされた予測とグループ的な予測の両方に収束することが示されている。
  論文  参考訳（メタデータ） (2020-06-16T04:57:12Z)

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。