論文の概要: Backpropagation-Free Test-Time Adaptation for Lightweight EEG-Based Brain-Computer Interfaces

• arxiv url: http://arxiv.org/abs/2601.07556v1
• Date: Mon, 12 Jan 2026 14:08:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-13 19:08:01.426283
• Title: Backpropagation-Free Test-Time Adaptation for Lightweight EEG-Based Brain-Computer Interfaces
• Title（参考訳）: 軽量脳波を用いた脳-コンピュータインタフェースのバックプロパゲーションフリーテスト時間適応
• Authors: Siyang Li, Jiayi Ouyang, Zhenyao Cui, Ziwei Wang, Tianwang Jia, Feng Wan, Dongrui Wu,
• Abstract要約: 本稿では,脳波復号化のためのバックプロパゲーション自由変換(BFT)を提案する。 BFTは、知識誘導強化の複数のサンプルワイド変換やベイズ近似を各試験試験に適用し、単一の試験サンプルに対して複数の予測スコアを生成する。 本研究は,EEGベースのBCIのためのデコードアルゴリズムの現実的な展開を拡大し,リソース制約のあるデバイス上での軽量なプラグアンドプレイBCIを実現する。
• 参考スコア（独自算出の注目度）: 11.684300675927865
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Electroencephalogram (EEG)-based brain-computer interfaces (BCIs) face significant deployment challenges due to inter-subject variability, signal non-stationarity, and computational constraints. While test-time adaptation (TTA) mitigates distribution shifts under online data streams without per-use calibration sessions, existing TTA approaches heavily rely on explicitly defined loss objectives that require backpropagation for updating model parameters, which incurs computational overhead, privacy risks, and sensitivity to noisy data streams. This paper proposes Backpropagation-Free Transformations (BFT), a TTA approach for EEG decoding that eliminates such issues. BFT applies multiple sample-wise transformations of knowledge-guided augmentations or approximate Bayesian inference to each test trial, generating multiple prediction scores for a single test sample. A learning-to-rank module enhances the weighting of these predictions, enabling robust aggregation for uncertainty suppression during inference under theoretical justifications. Extensive experiments on five EEG datasets of motor imagery classification and driver drowsiness regression tasks demonstrate the effectiveness, versatility, robustness, and efficiency of BFT. This research enables lightweight plug-and-play BCIs on resource-constrained devices, broadening the real-world deployment of decoding algorithms for EEG-based BCI.
• Abstract（参考訳）: 脳波(EEG)に基づく脳-コンピュータインタフェース(BCI)は、物体間変動、信号の非定常性、計算上の制約により、重要なデプロイメント課題に直面している。 テスト時間適応(TTA)は、オンラインデータストリーム下での分散シフトを、使用単位のキャリブレーションセッションなしで軽減するが、既存のTTAアプローチでは、計算オーバーヘッド、プライバシリスク、ノイズの多いデータストリームに対する感受性を発生させるモデルパラメータの更新にバックプロパゲーションを必要とする、明確に定義された損失目標に強く依存している。 本稿では,脳波復号化のためのTTA手法であるバックプロパゲーション自由変換(BFT)を提案する。 BFTは、知識誘導強化の複数のサンプルワイド変換やベイズ近似を各試験試験に適用し、単一の試験サンプルに対して複数の予測スコアを生成する。 学習からランクへのモジュールはこれらの予測の重み付けを強化し、理論的な正当化の下で推論中の不確実性抑制のための堅牢なアグリゲーションを可能にする。 運動画像分類の5つの脳波データセットと運転者の眠気の回帰タスクの広範な実験は、BFTの有効性、汎用性、堅牢性、効率を実証している。 本研究は,EEGベースのBCIのためのデコードアルゴリズムの現実的な展開を拡大し,リソース制約のあるデバイス上での軽量なプラグアンドプレイBCIを実現する。

関連論文リスト

• Accelerate Speculative Decoding with Sparse Computation in Verification [49.74839681322316]
  投機的復号化は、複数のドラフトトークンを並列に検証することにより、自動回帰言語モデル推論を加速する。 既存のスペーシフィケーション方式は主にトークン・バイ・トーケンの自己回帰復号化のために設計されている。 そこで本研究では,注目度,FFN,MoEを両立させるスパース検証フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-12-26T07:53:41Z)
• Calibration-Free EEG-based Driver Drowsiness Detection with Online Test-Time Adaptation [43.83587667787693]
  ドローシー・ドライビングは交通事故の増大の原因であり、脳波に基づくドローシー検知システム(EEG)の最近の探索を促している。 特に,脳波信号の物体間変動は,領域シフトの問題を引き起こす。 そこで本稿では,オンラインテスト時間適応手法を利用して対象対象の分布に動的に適応する新しいドライバの眠気検出フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-11-27T02:27:10Z)
• Toward Adaptive BCIs: Enhancing Decoding Stability via User State-Aware EEG Filtering [2.2358117822602837]
  本稿では、ユーザの意図を復号する前に神経表現を洗練させる、ユーザ状態認識脳波フィルタリングフレームワークを提案する。 提案手法は,ユーザの認知状態を脳波の特徴から連続的に推定し,推定された注意度に基づいて適応重み付けを適用することにより,信頼できないセグメントをフィルタする。
  論文  参考訳（メタデータ） (2025-11-11T06:44:01Z)
• Uncertainty-Calibrated Test-Time Model Adaptation without Forgetting [65.21599711087538]
  テスト時間適応(TTA)は、与えられたモデルw.r.t.を任意のテストサンプルに適用することにより、トレーニングデータとテストデータの間の潜在的な分散シフトに取り組むことを目指している。 事前の手法は各テストサンプルに対してバックプロパゲーションを実行するため、多くのアプリケーションに対して許容できない最適化コストがかかる。 本稿では, 有効サンプル選択基準を策定し, 信頼性および非冗長なサンプルを同定する, 効率的なアンチフォッティングテスト時間適応法を提案する。
  論文  参考訳（メタデータ） (2024-03-18T05:49:45Z)
• ESTformer: Transformer utilising spatiotemporal dependencies for electroencephalogram super-resolution [17.375026288273794]
  変換器をベースとした買収依存を利用したEEGフレームワークを開発した。 EEG SRタスクのためのTransformerは、EEG SRタスクのためのTransformerの汎用性を示す。 脳波に基づく人物識別と感情認識タスクにおいて,SRデータの優位性を検証した。
  論文  参考訳（メタデータ） (2023-12-03T12:26:32Z)
• Convolutional Monge Mapping Normalization for learning on sleep data [63.22081662149488]
  我々は、CMMN(Convolutional Monge Mapping Normalization)と呼ばれる新しい手法を提案する。 CMMNは、そのパワースペクトル密度(PSD)をトレーニングデータに基づいて推定されるワッサーシュタインバリセンタに適応させるために、信号をフィルタリングする。 睡眠脳波データに関する数値実験により、CMMNはニューラルネットワークアーキテクチャから独立して、顕著で一貫したパフォーマンス向上をもたらすことが示された。
  論文  参考訳（メタデータ） (2023-05-30T08:24:01Z)
• Adaptive Anomaly Detection for Internet of Things in Hierarchical Edge Computing: A Contextual-Bandit Approach [81.5261621619557]
  階層エッジコンピューティング(HEC)を用いた適応型異常検出手法を提案する。 まず,複雑性を増した複数のDNNモデルを構築し,それぞれを対応するHEC層に関連付ける。 そこで我々は、文脈帯域問題として定式化され、強化学習ポリシーネットワークを用いて解決される適応モデル選択スキームを設計する。
  論文  参考訳（メタデータ） (2021-08-09T08:45:47Z)

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。