論文の概要: Graph-Based Learning of Spectro-Topographical EEG Representations with Gradient Alignment for Brain-Computer Interfaces

• arxiv url: http://arxiv.org/abs/2512.07820v1
• Date: Mon, 08 Dec 2025 18:54:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-09 22:03:55.015294
• Title: Graph-Based Learning of Spectro-Topographical EEG Representations with Gradient Alignment for Brain-Computer Interfaces
• Title（参考訳）: 脳-コンピュータインタフェースのための勾配アライメントを用いた分光トポグラフィー脳波表現のグラフベース学習
• Authors: Prithila Angkan, Amin Jalali, Paul Hungler, Ali Etemad,
• Abstract要約: 本稿では、勾配アライメント(GEEGA)を用いた脳波表現の新しいグラフベース学習法を提案する。 我々のモデルは、グラフ畳み込みネットワークを利用して、周波数ベースの地形図と時間周波数スペクトログラムからの埋め込みを融合する。 提案手法の有効性を,3つの公開脳波データセットを用いた広範囲な実験により検証した。
• 参考スコア（独自算出の注目度）: 31.418253191692756
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: We present a novel graph-based learning of EEG representations with gradient alignment (GEEGA) that leverages multi-domain information to learn EEG representations for brain-computer interfaces. Our model leverages graph convolutional networks to fuse embeddings from frequency-based topographical maps and time-frequency spectrograms, capturing inter-domain relationships. GEEGA addresses the challenge of achieving high inter-class separability, which arises from the temporally dynamic and subject-sensitive nature of EEG signals by incorporating the center loss and pairwise difference loss. Additionally, GEEGA incorporates a gradient alignment strategy to resolve conflicts between gradients from different domains and the fused embeddings, ensuring that discrepancies, where gradients point in conflicting directions, are aligned toward a unified optimization direction. We validate the efficacy of our method through extensive experiments on three publicly available EEG datasets: BCI-2a, CL-Drive and CLARE. Comprehensive ablation studies further highlight the impact of various components of our model.
• Abstract（参考訳）: 本稿では,多領域情報を利用して脳-コンピュータインタフェースの脳波表現を学習する,勾配アライメント(GEEGA)を用いた新しいグラフベースの脳波表現学習を提案する。 我々のモデルは、グラフ畳み込みネットワークを利用して、周波数ベースの地形図や時間周波数スペクトログラムからの埋め込みを融合し、ドメイン間の関係をキャプチャする。 GEEGAは、脳波信号の時間的動的・主観的特性から生じる高いクラス間分離性を達成するという課題に対処する。 さらに、GEEGAは、異なるドメインからの勾配と融合した埋め込みの間の衝突を解決するための勾配アライメント戦略を取り入れており、勾配が矛盾する方向を指しているような不一致が、統一された最適化方向に向かって整列されていることを保証している。 我々は,BCI-2a,CL-Drive,CLAREの3つの公用脳波データセットに対する広範囲な実験により,本手法の有効性を検証した。 包括的アブレーション研究は、我々のモデルにおける様々な要素の影響をさらに強調する。

関連論文リスト

• Multi-Domain EEG Representation Learning with Orthogonal Mapping and Attention-based Fusion for Cognitive Load Classification [31.418253191692756]
  脳波(EEG)に基づく認知負荷の分類のための新しい表現学習ソリューションを提案する。 本手法は、まず、畳み込みエンコーダを介して生の脳波信号を渡すことにより、時間領域と周波数領域の両方を統合する。 その結果、従来の単一ドメイン技術よりもマルチドメインアプローチの方が優れていることが示された。
  論文  参考訳（メタデータ） (2025-11-16T00:00:31Z)
• Spatial-Functional awareness Transformer-based graph archetype contrastive learning for Decoding Visual Neural Representations from EEG [3.661246946935037]
  本稿では,脳波に基づく視覚的デコーディングを強化するために,空間認識変換器を用いたグラフアーチタイプコントラスト学習(SFTG)フレームワークを提案する。 具体的には、空間的脳の接続性と時間的神経力学を同時に符号化する新しいグラフベースのニューラルアーキテクチャであるEEG Graph Transformer(EGT)を紹介する。 高い対象内変動を緩和するために,特徴の整合性とクラス分離性を改善するために,主観固有の脳波グラフアーチタイプを学習するグラフアーチタイプコントラスト学習(GAC)を提案する。
  論文  参考訳（メタデータ） (2025-09-29T13:27:55Z)
• 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)
• EEG2GAIT: A Hierarchical Graph Convolutional Network for EEG-based Gait Decoding [8.529597745689195]
  脳波信号からの歩行動態の復号化は、運動過程の複雑な空間依存性に起因する重要な課題である。 脳波チャネルのマルチレベル空間埋め込みをキャプチャする新しい階層グラフベースモデルであるEEG2GAITを提案する。 また,2回の研究室訪問で50名の被験者から収集した脳波と下肢関節角度データを組み合わせたGait-EEGデータセットを新たに提供した。
  論文  参考訳（メタデータ） (2025-04-02T07:48:21Z)
• Graph Structure Refinement with Energy-based Contrastive Learning [56.957793274727514]
  グラフの構造と表現を学習するための生成訓練と識別訓練のジョイントに基づく教師なし手法を提案する。 本稿では,ECL-GSR(Energy-based Contrastive Learning)によるグラフ構造再構成(GSR)フレームワークを提案する。 ECL-GSRは、主要なベースラインに対するサンプルやメモリの少ない高速なトレーニングを実現し、下流タスクの単純さと効率性を強調している。
  論文  参考訳（メタデータ） (2024-12-20T04:05:09Z)
• A Dynamic Domain Adaptation Deep Learning Network for EEG-based Motor Imagery Classification [1.7465786776629872]
  動的ドメイン適応型ディープラーニングネットワーク(DADL-Net)を提案する。 まず、脳波データを3次元幾何学空間にマッピングし、その時空間的特徴を3次元畳み込みモジュールを通して学習する。 精度は70.42%と73.91%で、OpenBMIとBCIC IV 2aデータセットで達成された。
  論文  参考訳（メタデータ） (2023-09-21T01:34:00Z)
• Dynamic Graph Modeling of Simultaneous EEG and Eye-tracking Data for Reading Task Identification [79.41619843969347]
  我々は、脳波(EEG)と眼球運動(EM)データからヒトの読取意図を特定するための新しいアプローチAdaGTCNを提案する。 本稿では,AdaGTCN(Adaptive Graph Temporal Convolution Network)の手法として,Adaptive Graph Learning LayerとDeep Neighborhood Graph Convolution Layerを用いた。 このアプローチといくつかのベースラインを比較し、ZuCo 2.0データセットの6.29%の改善と広範なアブレーション実験を報告します。
  論文  参考訳（メタデータ） (2021-02-21T18:19:49Z)
• Multi-Level Graph Convolutional Network with Automatic Graph Learning for Hyperspectral Image Classification [63.56018768401328]
  HSI分類のための自動グラフ学習法(MGCN-AGL)を用いたマルチレベルグラフ畳み込みネットワーク(GCN)を提案する。 空間的に隣接する領域における重要度を特徴付けるために注意機構を利用することで、最も関連性の高い情報を適応的に組み込んで意思決定を行うことができる。 MGCN-AGLは局所的に生成した表現表現に基づいて画像領域間の長距離依存性を符号化する。
  論文  参考訳（メタデータ） (2020-09-19T09:26:20Z)

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。