論文の概要: Enhancing Interpretability of AR-SSVEP-Based Motor Intention Recognition via CNN-BiLSTM and SHAP Analysis on EEG Data

• arxiv url: http://arxiv.org/abs/2512.06730v1
• Date: Sun, 07 Dec 2025 08:52:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-09 22:03:54.494136
• Title: Enhancing Interpretability of AR-SSVEP-Based Motor Intention Recognition via CNN-BiLSTM and SHAP Analysis on EEG Data
• Title（参考訳）: 脳波データを用いたCNN-BiLSTMとSHAP解析によるAR-SSVEPに基づくモータ意図認識の解釈可能性の向上
• Authors: Lin Yang, Xiang Li, Xin Ma, Xinxin Zhao,
• Abstract要約: 本研究では,患者のイニシアチブの欠如とセラピストの作業負荷に対処するために,AR-SSVEP(AR-SSVEP)システムを提案する。 我々はHoloLens 2ベースの4つの脳波クラスを設計し、7人の健常者から脳波データを収集して分析する。
• 参考スコア（独自算出の注目度）: 14.913055035522936
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Patients with motor dysfunction show low subjective engagement in rehabilitation training. Traditional SSVEP-based brain-computer interface (BCI) systems rely heavily on external visual stimulus equipment, limiting their practicality in real-world settings. This study proposes an augmented reality steady-state visually evoked potential (AR-SSVEP) system to address the lack of patient initiative and the high workload on therapists. Firstly, we design four HoloLens 2-based EEG classes and collect EEG data from seven healthy subjects for analysis. Secondly, we build upon the conventional CNN-BiLSTM architecture by integrating a multi-head attention mechanism (MACNN-BiLSTM). We extract ten temporal-spectral EEG features and feed them into a CNN to learn high-level representations. Then, we use BiLSTM to model sequential dependencies and apply a multi-head attention mechanism to highlight motor-intention-related patterns. Finally, the SHAP (SHapley Additive exPlanations) method is applied to visualize EEG feature contributions to the neural network's decision-making process, enhancing the model's interpretability. These findings enhance real-time motor intention recognition and support recovery in patients with motor impairments.
• Abstract（参考訳）: 運動機能障害の患者はリハビリテーショントレーニングにおける主観的関与が低い。 従来のSSVEPベースの脳-コンピュータインタフェース(BCI)システムは外部視覚刺激装置に大きく依存しており、現実の環境での実用性を制限している。 本研究では,患者のイニシアチブの欠如とセラピストの作業負荷に対処するために,AR-SSVEP(AR-SSVEP)システムを提案する。 まず、HoloLens 2ベースの4つの脳波クラスを設計し、7人の健常者から脳波データを収集して分析する。 次に,マルチヘッドアテンション機構(MACNN-BiLSTM)を統合することで,従来のCNN-BiLSTMアーキテクチャを構築した。 我々は10の時間スペクトル脳波の特徴を抽出し、それらをCNNに入力して高次表現を学習する。 次に、BiLSTMを用いて連続的な依存関係をモデル化し、マルチヘッドアテンション機構を適用し、運動意図関連パターンをハイライトする。 最後に、SHAP(SHapley Additive exPlanations)手法を適用して、ニューラルネットワークの意思決定プロセスにおける脳波の特徴的コントリビューションを可視化し、モデルの解釈可能性を高める。 以上より,運動障害患者のリアルタイム運動意図認識とサポート回復が促進された。

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)
• SurgeryLSTM: A Time-Aware Neural Model for Accurate and Explainable Length of Stay Prediction After Spine Surgery [44.119171920037196]
  選択的脊椎手術における滞在時間(LOS)予測のための機械学習モデルの開発と評価を行った。 我々は,従来のMLモデルと,マスク付き双方向長短期記憶(BiLSTM)であるオペレーショナルLSTMを比較した。 決定係数(R2)を用いて性能を評価し,説明可能なAIを用いて鍵予測器を同定した。
  論文  参考訳（メタデータ） (2025-07-15T01:18:28Z)
• Enhancing Generalization in PPG-Based Emotion Measurement with a CNN-TCN-LSTM Model [5.791020333796703]
  本稿では、畳み込みニューラルネットワーク(CNN)、長短期記憶ネットワーク(LSTM)、時間的畳み込みネットワーク(TCN)を組み合わせた新しいハイブリッドアーキテクチャを提案する。 提案手法は,PTG信号を用いた感情認識タスクにおいて,最先端のCNNアーキテクチャやCNN-LSTMモデルよりも優れていた。
  論文  参考訳（メタデータ） (2025-07-10T16:30:44Z)
• Brain2Vec: A Deep Learning Framework for EEG-Based Stress Detection Using CNN-LSTM-Attention [0.0]
  Brain2Vecは、生の脳波記録からストレス状態を分類する新しいディープラーニングツールだ。 これらの結果は、Brain2Vecがウェアラブルストレス監視プラットフォームとパーソナライズされたヘルスケアシステムに統合される可能性を示している。
  論文  参考訳（メタデータ） (2025-06-12T12:57:19Z)
• 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)
• Large Cognition Model: Towards Pretrained EEG Foundation Model [0.0]
  多様な脳波データセットと下流タスクをまたいだ一般化を目的としたトランスフォーマーベース基盤モデルを提案する。 本研究は, 神経科学, パーソナライズドメディカル, およびBCI技術の進歩を促進するための, 事前学習型脳波基盤モデルの可能性を明らかにするものである。
  論文  参考訳（メタデータ） (2025-02-11T04:28:10Z)
• L-SFAN: Lightweight Spatially-focused Attention Network for Pain Behavior Detection [44.016805074560295]
  慢性的な腰痛 (CLBP) は世界中の何百万もの患者を悩ませており、個人の健康や医療システムに対する経済的負担に大きな影響を及ぼす。 人工知能(AI)とディープラーニングは、リハビリ戦略を改善するために痛みに関連する行動を分析するための有望な道を提供するが、畳み込みニューラルネットワーク(CNN)を含む現在のモデルには限界がある。 我々は、モーションキャプチャーと表面筋電図センサからデータの空間的時間的相互作用をキャプチャする2Dフィルタを組み込んだ軽量CNNアーキテクチャであるhbox EmoL-SFANを紹介する。
  論文  参考訳（メタデータ） (2024-06-07T12:01:37Z)
• A Knowledge-Driven Cross-view Contrastive Learning for EEG Representation [48.85731427874065]
  本稿では,限られたラベルを持つ脳波から効果的な表現を抽出する知識駆動型クロスビューコントラスト学習フレームワーク(KDC2)を提案する。 KDC2法は脳波信号の頭皮と神経のビューを生成し、脳活動の内部および外部の表現をシミュレートする。 ニューラル情報整合性理論に基づく事前のニューラル知識をモデル化することにより、提案手法は不変かつ相補的なニューラル知識を抽出し、複合表現を生成する。
  論文  参考訳（メタデータ） (2023-09-21T08:53:51Z)
• MP-SeizNet: A Multi-Path CNN Bi-LSTM Network for Seizure-Type Classification Using EEG [2.1915057426589746]
  てんかん患者の治療と管理には, 精垂型鑑別が不可欠である。 本稿では,MP-SeizNetを用いた新しいマルチパス・アセプション型ディープラーニング・ネットワークを提案する。 MP-SeizNetは、畳み込みニューラルネットワーク(CNN)と、注意機構を備えた双方向長短期記憶ニューラルネットワーク(Bi-LSTM)で構成されている。
  論文  参考訳（メタデータ） (2022-11-09T01:07:20Z)
• Adapting Brain-Like Neural Networks for Modeling Cortical Visual Prostheses [68.96380145211093]
  皮質補綴は視覚野に移植された装置で、電気的にニューロンを刺激することで失った視力を回復しようとする。 現在、これらのデバイスが提供する視覚は限られており、刺激による視覚知覚を正確に予測することはオープンな課題である。 我々は、視覚システムの有望なモデルとして登場した「脳様」畳み込みニューラルネットワーク(CNN)を活用することで、この問題に対処することを提案する。
  論文  参考訳（メタデータ） (2022-09-27T17:33:19Z)

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。