論文の概要: Decoding Motor Behavior Using Deep Learning and Reservoir Computing

• arxiv url: http://arxiv.org/abs/2512.06725v1
• Date: Sun, 07 Dec 2025 08:29:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-09 22:03:54.49105
• Title: Decoding Motor Behavior Using Deep Learning and Reservoir Computing
• Title（参考訳）: 深層学習と貯留層計算を用いたモータ動作の復号化
• Authors: Tian Lan,
• Abstract要約: 本稿では,非侵襲的脳機械インタフェース(BMI)の脳波デコードに対する新しいアプローチを提案する。 この制限に対処するため、私たちは、貯水池コンピューティングの卓越したパラダイムであるEcho State Network(ESN)をデコードパイプラインに統合しました。 ESNNetは83.2%のオブジェクト内で、51.3%のLOSOアキュラシーを達成し、広く使われているCNNベースのベースラインを超えています。
• 参考スコア（独自算出の注目度）: 7.527936147433657
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We present a novel approach to EEG decoding for non-invasive brain machine interfaces (BMIs), with a focus on motor-behavior classification. While conventional convolutional architectures such as EEGNet and DeepConvNet are effective in capturing local spatial patterns, they are markedly less suited for modeling long-range temporal dependencies and nonlinear dynamics. To address this limitation, we integrate an Echo State Network (ESN), a prominent paradigm in reservoir computing into the decoding pipeline. ESNs construct a high-dimensional, sparsely connected recurrent reservoir that excels at tracking temporal dynamics, thereby complementing the spatial representational power of CNNs. Evaluated on a skateboard-trick EEG dataset preprocessed via the PREP pipeline and implemented in MNE-Python, our ESNNet achieves 83.2% within-subject and 51.3% LOSO accuracies, surpassing widely used CNN-based baselines. Code is available at https://github.com/Yutiankunkun/Motion-Decoding-Using-Biosignals
• Abstract（参考訳）: 非侵襲的脳機械インタフェース(BMI)の脳波デコードに対する新しいアプローチを提案し,運動行動分類に焦点をあてる。 EEGNetやDeepConvNetのような従来の畳み込みアーキテクチャは局所的な空間パターンのキャプチャに有効であるが、長距離時間依存性や非線形ダイナミクスのモデリングには適していない。 この制限に対処するため、私たちは、貯水池コンピューティングの卓越したパラダイムであるEcho State Network(ESN)をデコードパイプラインに統合しました。 ESNは、時間的ダイナミクスの追跡に優れ、CNNの空間的表現力を補完する高次元、疎結合なリカレント貯留層を構成する。 PrePパイプラインを介して事前処理され、MNE-Pythonで実装されたスケートボードトリックEEGデータセットに基づいて評価され、当社のSNNetは83.2%のオブジェクト内および51.3%のLOSOアキュラシーを達成し、広く使用されているCNNベースのベースラインを超えた。 コードはhttps://github.com/Yutiankunkun/Motion-Decoding-Using-Biosignalsで入手できる。

関連論文リスト

• Deep Learning Architectures for Code-Modulated Visual Evoked Potentials Detection [0.40822165794627957]
  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。
  論文  参考訳（メタデータ） (2025-11-26T22:02:22Z)
• EvSegSNN: Neuromorphic Semantic Segmentation for Event Data [0.6138671548064356]
  EvSegSNN は、Parametric Leaky Integrate と Fire のニューロンに依存した、生物学的に検証可能なエンコーダ-デコーダU字型アーキテクチャである。 本稿では,スパイキングニューラルネットワークとイベントカメラを組み合わせることによって,エンド・ツー・エンドのバイオインスパイアされたセマンティックセマンティックセマンティクス手法を提案する。 DDD17で実施された実験は、EvSegSNNがMIoUの観点から最も近い最先端モデルを上回っていることを示している。
  論文  参考訳（メタデータ） (2024-06-20T10:36:24Z)
• TCCT-Net: Two-Stream Network Architecture for Fast and Efficient Engagement Estimation via Behavioral Feature Signals [58.865901821451295]
  本稿では,新しい2ストリーム機能融合 "Tensor-Convolution and Convolution-Transformer Network" (TCCT-Net) アーキテクチャを提案する。 時間空間領域における意味のあるパターンをよりよく学習するために、ハイブリッド畳み込み変換器を統合する「CT」ストリームを設計する。 並行して、時間周波数領域からリッチなパターンを効率的に抽出するために、連続ウェーブレット変換(CWT)を用いて情報を2次元テンソル形式で表現する「TC」ストリームを導入する。
  論文  参考訳（メタデータ） (2024-04-15T06:01:48Z)
• Dynamic Semantic Compression for CNN Inference in Multi-access Edge Computing: A Graph Reinforcement Learning-based Autoencoder [82.8833476520429]
  部分オフロードにおける効果的な意味抽出と圧縮のための新しい意味圧縮手法であるオートエンコーダベースのCNNアーキテクチャ(AECNN)を提案する。 セマンティックエンコーダでは、CNNのチャネルアテンション機構に基づく特徴圧縮モジュールを導入し、最も情報性の高い特徴を選択して中間データを圧縮する。 セマンティックデコーダでは、受信した圧縮データから学習して中間データを再構築し、精度を向上させる軽量デコーダを設計する。
  論文  参考訳（メタデータ） (2024-01-19T15:19:47Z)
• Accurate and Efficient Event-based Semantic Segmentation Using Adaptive Spiking Encoder-Decoder Network [20.05283214295881]
  イベントベースのセンサから動的に非同期な信号を処理するための有望なソリューションとして、スパイキングニューラルネットワーク(SNN)が登場している。 大規模イベントベースセマンティックセマンティックセグメンテーションタスクのための効率的なスパイキングエンコーダデコーダネットワーク(SpikingEDN)を開発した。 適応しきい値を利用して、ストリーミング推論におけるネットワーク精度、空間性、ロバスト性を改善する。
  論文  参考訳（メタデータ） (2023-04-24T07:12:50Z)
• Attention-based Feature Compression for CNN Inference Offloading in Edge Computing [93.67044879636093]
  本稿では,デバイスエッジ共振器におけるCNN推論の計算負荷について検討する。 エンドデバイスにおける効率的な特徴抽出のための新しいオートエンコーダベースのCNNアーキテクチャ(AECNN)を提案する。 実験の結果、AECNNは中間データを約4%の精度で256倍圧縮できることがわかった。
  論文  参考訳（メタデータ） (2022-11-24T18:10:01Z)
• Intelligence Processing Units Accelerate Neuromorphic Learning [52.952192990802345]
  スパイキングニューラルネットワーク(SNN)は、エネルギー消費と遅延の観点から、桁違いに改善されている。 我々は、カスタムSNN PythonパッケージsnnTorchのIPU最適化リリースを提示する。
  論文  参考訳（メタデータ） (2022-11-19T15:44:08Z)
• An Adaptive Device-Edge Co-Inference Framework Based on Soft Actor-Critic [72.35307086274912]
  高次元パラメータモデルと大規模数学的計算は、特にIoT(Internet of Things)デバイスにおける実行効率を制限する。 本稿では,ソフトポリシーの繰り返しによるエフェキシット点,エフェキシット点,エンフェキシット点を生成する離散的(SAC-d)のための新しい深層強化学習(DRL)-ソフトアクタ批判法を提案する。 レイテンシと精度を意識した報酬設計に基づいて、そのような計算は動的無線チャンネルや任意の処理のような複雑な環境によく適応でき、5G URLをサポートすることができる。
  論文  参考訳（メタデータ） (2022-01-09T09:31:50Z)
• CondenseNeXt: An Ultra-Efficient Deep Neural Network for Embedded Systems [0.0]
  畳み込みニューラルネットワーク(英: Convolutional Neural Network, CNN)は、画像センサが捉えた視覚画像の分析に広く用いられているディープニューラルネットワーク(DNN)のクラスである。 本稿では,組込みシステム上でのリアルタイム推論のために,既存のCNNアーキテクチャの性能を改善するために,深層畳み込みニューラルネットワークアーキテクチャの新しい変種を提案する。
  論文  参考訳（メタデータ） (2021-12-01T18:20:52Z)
• EffCNet: An Efficient CondenseNet for Image Classification on NXP BlueBox [0.0]
  エッジデバイスは、安価なハードウェアと限られた冷却と計算資源のために、限られた処理能力を提供する。 我々はエッジデバイスのためのEffCNetと呼ばれる新しいディープ畳み込み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） (2021-11-28T21:32:31Z)

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。