論文の概要: HEEGNet: Hyperbolic Embeddings for EEG

• arxiv url: http://arxiv.org/abs/2601.03322v1
• Date: Tue, 06 Jan 2026 14:30:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-08 18:12:46.052983
• Title: HEEGNet: Hyperbolic Embeddings for EEG
• Title（参考訳）: HEEGNet:EEGのためのハイパーボリックな埋め込み
• Authors: Shanglin Li, Shiwen Chu, Okan Koç, Yi Ding, Qibin Zhao, Motoaki Kawanabe, Ziheng Chen,
• Abstract要約: 脳波の階層構造を捉え,ドメイン不変なハイパーボリック埋め込みを学習するためのハイブリッドハイパーボリックネットワークアーキテクチャHEEGNetを提案する。 この目的のために、HEEGNetはユークリッドエンコーダと双曲エンコーダを結合し、新しい粗いドメイン適応戦略を採用している。
• 参考スコア（独自算出の注目度）: 34.07234318975996
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Electroencephalography (EEG)-based brain-computer interfaces facilitate direct communication with a computer, enabling promising applications in human-computer interactions. However, their utility is currently limited because EEG decoding often suffers from poor generalization due to distribution shifts across domains (e.g., subjects). Learning robust representations that capture underlying task-relevant information would mitigate these shifts and improve generalization. One promising approach is to exploit the underlying hierarchical structure in EEG, as recent studies suggest that hierarchical cognitive processes, such as visual processing, can be encoded in EEG. While many decoding methods still rely on Euclidean embeddings, recent work has begun exploring hyperbolic geometry for EEG. Hyperbolic spaces, regarded as the continuous analogue of tree structures, provide a natural geometry for representing hierarchical data. In this study, we first empirically demonstrate that EEG data exhibit hyperbolicity and show that hyperbolic embeddings improve generalization. Motivated by these findings, we propose HEEGNet, a hybrid hyperbolic network architecture to capture the hierarchical structure in EEG and learn domain-invariant hyperbolic embeddings. To this end, HEEGNet combines both Euclidean and hyperbolic encoders and employs a novel coarse-to-fine domain adaptation strategy. Extensive experiments on multiple public EEG datasets, covering visual evoked potentials, emotion recognition, and intracranial EEG, demonstrate that HEEGNet achieves state-of-the-art performance.
• Abstract（参考訳）: 脳波(EEG)ベースの脳-コンピュータインタフェースは、コンピュータとの直接通信を促進し、人間とコンピュータの相互作用に有望な応用を可能にする。 しかし、脳波復号法は、ドメイン間の分散シフト(例えば、主題)によって、しばしば一般化に苦しむため、現在、その実用性は限られている。 基礎となるタスク関連情報をキャプチャする堅牢な表現の学習は、これらのシフトを緩和し、一般化を改善する。 最近の研究では、視覚処理のような階層的認知プロセスが脳波にエンコードできることが示唆されている。 多くの復号法はまだユークリッド埋め込みに依存しているが、最近の研究は脳波の双曲幾何学の探求を始めている。 木構造の連続的な類似と見なされる双曲空間は、階層データを表現する自然な幾何学を提供する。 本研究では,脳波のデータが双曲性を示すことを実証的に示し,双曲性埋め込みが一般化を改善することを示す。 これらの知見に触発されたHEEGNetは,脳波の階層構造を捉え,ドメイン不変なハイパーボリック埋め込みを学習するためのハイブリッドハイパーボリックネットワークアーキテクチャである。 この目的のために、HEEGNetはユークリッドエンコーダと双曲エンコーダを結合し、新しい粗いドメイン適応戦略を採用している。 視覚誘発電位、感情認識、頭蓋内脳波をカバーする複数のパブリックEEGデータセットに関する大規模な実験は、HEEGNetが最先端のパフォーマンスを達成することを実証している。

関連論文リスト

• 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)
• Learning Interpretable Representations Leads to Semantically Faithful EEG-to-Text Generation [52.51005875755718]
  我々は脳波からテキストへの復号に焦点をあて、後部崩壊のレンズを通して幻覚の問題に対処する。 脳波とテキスト間の情報容量のミスマッチを認め、デコードタスクをコア意味のセマンティックな要約として再設計する。 パブリックなZuCoデータセットの実験では、GLIMが一貫して、流動的なEEG基底文を生成することが示されている。
  論文  参考訳（メタデータ） (2025-05-21T05:29:55Z)
• 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)
• CognitionCapturer: Decoding Visual Stimuli From Human EEG Signal With Multimodal Information [61.1904164368732]
  脳波信号の表現にマルチモーダルデータを完全に活用する統合フレームワークであるCognitionCapturerを提案する。 具体的には、CognitionCapturerは、各モダリティに対してモダリティエキスパートを訓練し、EEGモダリティからモダリティ情報を抽出する。 このフレームワークは生成モデルの微調整を一切必要とせず、より多くのモダリティを組み込むように拡張することができる。
  論文  参考訳（メタデータ） (2024-12-13T16:27:54Z)
• Enhancing EEG-to-Text Decoding through Transferable Representations from Pre-trained Contrastive EEG-Text Masked Autoencoder [69.7813498468116]
  コントラスト型脳波テキストマスケード自動エンコーダ(CET-MAE)を提案する。 また、E2T-PTR(Pretrained Transferable Representationsを用いたEEG-to-Text decoding)と呼ばれるフレームワークを開発し、EEGシーケンスからテキストをデコードする。
  論文  参考訳（メタデータ） (2024-02-27T11:45:21Z)
• MAtt: A Manifold Attention Network for EEG Decoding [0.966840768820136]
  多様体注意ネットワーク(mAtt)を特徴とする脳波復号のための新しい幾何学的学習(GDL)モデルを提案する。 時間同期EEGデータセットと非同期EEGデータセットの両方におけるMAttの評価は、一般的なEEGデコーディングのための他の主要なDLメソッドよりも優れていることを示唆している。
  論文  参考訳（メタデータ） (2022-10-05T02:26:31Z)
• Transformer-based Spatial-Temporal Feature Learning for EEG Decoding [4.8276709243429]
  本稿では,主に注意機構に依存する新しい脳波復号法を提案する。 我々はより少ないパラメータで、脳波の多分類化における最先端のレベルに達しました。 脳-コンピュータインタフェース(BCI)の実用性を促進する大きな可能性を秘めている。
  論文  参考訳（メタデータ） (2021-06-11T00:48:18Z)

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。