論文の概要: OmniNeuro: A Multimodal HCI Framework for Explainable BCI Feedback via Generative AI and Sonification

• arxiv url: http://arxiv.org/abs/2601.00843v1
• Date: Sun, 28 Dec 2025 16:06:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-06 16:25:21.776223
• Title: OmniNeuro: A Multimodal HCI Framework for Explainable BCI Feedback via Generative AI and Sonification
• Title（参考訳）: OmniNeuro: 生成AIと音化による説明可能なBCIフィードバックのためのマルチモーダルHCIフレームワーク
• Authors: Ayda Aghaei Nia,
• Abstract要約: 我々はBCI(Brain-Computer Interface)を透過的なフィードバックパートナーに変換する新しいフレームワークであるOmniNeuroを提案する。 OmniNeuroは、(1)物理学(エネルギー)、(2)カオス(フラクタル複雑度)、(3)量子インスパイアされた不確実性モデリングの3つの解釈可能性エンジンを統合している。 このシステムは58.52%の平均精度を達成し、定性的なパイロット研究により、説明可能なフィードバックは、ユーザーが精神的な努力を規制し、"心的およびエラー"のフェーズを短縮するのに役立つことを確認した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: While Deep Learning has improved Brain-Computer Interface (BCI) decoding accuracy, clinical adoption is hindered by the "Black Box" nature of these algorithms, leading to user frustration and poor neuroplasticity outcomes. We propose OmniNeuro, a novel HCI framework that transforms the BCI from a silent decoder into a transparent feedback partner. OmniNeuro integrates three interpretability engines: (1) Physics (Energy), (2) Chaos (Fractal Complexity), and (3) Quantum-Inspired uncertainty modeling. These metrics drive real-time Neuro-Sonification and Generative AI Clinical Reports. Evaluated on the PhysioNet dataset ($N=109$), the system achieved a mean accuracy of 58.52%, with qualitative pilot studies ($N=3$) confirming that explainable feedback helps users regulate mental effort and reduces the "trial-and-error" phase. OmniNeuro is decoder-agnostic, acting as an essential interpretability layer for any state-of-the-art architecture.
• Abstract（参考訳）: Deep LearningはBrain-Computer Interface (BCI)デコーディングの精度を改善したが、これらのアルゴリズムの「ブラックボックス」の性質によって臨床導入が妨げられ、ユーザのフラストレーションと神経可塑性の低下につながる。 我々は、BCIをサイレントデコーダから透明なフィードバックパートナーに変換する新しいHCIフレームワークであるOmniNeuroを提案する。 OmniNeuroは、(1)物理学(エネルギー)、(2)カオス(フラクタル複雑度)、(3)量子インスパイアされた不確実性モデリングの3つの解釈可能性エンジンを統合している。 これらのメトリクスは、リアルタイムのニューロソニフィケーションと生成AI臨床レポートを駆動する。 PhysioNetデータセット(N=109$)に基づいて評価され、システムの平均精度は58.52%に達し、定性的なパイロットスタディ(N=3$)により、説明可能なフィードバックがユーザーの精神的努力の調整に役立つこと、および「心的エラー」フェーズの短縮に役立つことが確認された。 OmniNeuroはデコーダに依存しない、あらゆる最先端アーキテクチャにとって不可欠な解釈可能性レイヤとして機能する。

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)
• A Scalable AI Driven, IoT Integrated Cognitive Digital Twin for Multi-Modal Neuro-Oncological Prognostics and Tumor Kinetics Prediction using Enhanced Vision Transformer and XAI [0.2174820084855635]
  本稿では,ウェアラブル頭蓋骨からのリアルタイム脳波信号と構造MRIデータを組み合わせて,動的・パーソナライズされた腫瘍モニタリングを行う認知デジタルツインフレームワークを提案する。 94.6%の精度、93.2%のリコール、そしてDiceのスコア0.91の精度で、このフレームワークはリアルタイムで解釈可能な神経診断のための新しい標準となる。
  論文  参考訳（メタデータ） (2025-09-30T04:37:32Z)
• Neuroprobe: Evaluating Intracranial Brain Responses to Naturalistic Stimuli [13.536940903353768]
  高解像度のニューラルデータセットは、次世代の脳-コンピュータインタフェースと神経学的治療の基礎モデルを可能にする。 Neuroprobeは、脳内のマルチモーダル言語処理を研究するためのデコードタスクのスイートである。 NeuroprobeはBrainTreebankのデータセット上に構築されており、10人の被験者から40時間のiEEG録音が自然主義映画視聴タスクを実行している。
  論文  参考訳（メタデータ） (2025-09-25T22:38:53Z)
• Neural-MCRL: Neural Multimodal Contrastive Representation Learning for EEG-based Visual Decoding [2.587640069216139]
  脳波(EEG)を用いた脳活動からの神経視覚表現のデコードは、脳-機械界面(BMI)の進行に不可欠である 既存の手法は、しばしばモダリティ内の意味的一貫性と完全性を見落とし、モダリティ間の効果的なセマンティックアライメントを欠いている。 本稿では,セマンティックブリッジとクロスアテンション機構によるマルチモーダルアライメントを実現する新しいフレームワークであるNeural-MCRLを提案する。
  論文  参考訳（メタデータ） (2024-12-23T07:02:44Z)
• BrainODE: Dynamic Brain Signal Analysis via Graph-Aided Neural Ordinary Differential Equations [67.79256149583108]
  本稿では,脳波を連続的にモデル化するBrainODEというモデルを提案する。 遅延初期値とニューラルODE関数を不規則な時系列から学習することにより、BrainODEは任意の時点の脳信号を効果的に再構築する。
  論文  参考訳（メタデータ） (2024-04-30T10:53:30Z)
• MindBridge: A Cross-Subject Brain Decoding Framework [60.58552697067837]
  脳の復号化は、獲得した脳信号から刺激を再構築することを目的としている。 現在、脳の復号化はモデルごとのオブジェクトごとのパラダイムに限られている。 我々は,1つのモデルのみを用いることで,オブジェクト間脳デコーディングを実現するMindBridgeを提案する。
  論文  参考訳（メタデータ） (2024-04-11T15:46:42Z)
• Explainable Cost-Sensitive Deep Neural Networks for Brain Tumor Detection from Brain MRI Images considering Data Imbalance [0.0]
  CNN、ResNet50、InceptionV3、EfficientNetB0、NASNetMobileの5つのモデルを含む自動パイプラインが提案されている。 提案アーキテクチャの性能はバランスの取れたデータセットで評価され、微調整されたInceptionV3モデルに対して99.33%の精度が得られた。 トレーニングプロセスをさらに最適化するために、不均衡なデータセットを扱うために、コストに敏感なニューラルネットワークアプローチが提案されている。
  論文  参考訳（メタデータ） (2023-08-01T15:35:06Z)
• A Hybrid Neural Coding Approach for Pattern Recognition with Spiking Neural Networks [53.31941519245432]
  脳にインスパイアされたスパイクニューラルネットワーク(SNN)は、パターン認識タスクを解く上で有望な能力を示している。 これらのSNNは、情報表現に一様神経コーディングを利用する同質ニューロンに基づいている。 本研究では、SNNアーキテクチャは異種符号化方式を組み込むよう、均質に設計されるべきである、と論じる。
  論文  参考訳（メタデータ） (2023-05-26T02:52:12Z)
• AI-based Clinical Assessment of Optic Nerve Head Robustness Superseding Biomechanical Testing [54.306443917863355]
  我々は,ONHの1つのOCTスキャンからのみ,与えられたONHの堅牢性を評価することができるAI駆動型アプローチを提案する。 縦断的研究は、ONHの頑健さが高速な視野障害進行因子の同定に役立つかどうかを確かめるべきである。
  論文  参考訳（メタデータ） (2022-06-09T11:29:28Z)
• Artificial Neural Variability for Deep Learning: On Overfitting, Noise Memorization, and Catastrophic Forgetting [135.0863818867184]
  人工ニューラルネットワーク(ANV)は、ニューラルネットワークが自然のニューラルネットワークからいくつかの利点を学ぶのに役立つ。 ANVは、トレーニングデータと学習モデルの間の相互情報の暗黙の正則化として機能する。 過度にフィットし、ノイズの記憶をラベル付けし、無視できるコストで破滅的な忘れを効果的に軽減することができる。
  論文  参考訳（メタデータ） (2020-11-12T06:06:33Z)

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。