論文の概要: Fusion of Spatio-Temporal and Multi-Scale Frequency Features for Dry Electrodes MI-EEG Decoding

• arxiv url: http://arxiv.org/abs/2601.18424v1
• Date: Mon, 26 Jan 2026 12:35:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-27 15:23:08.820576
• Title: Fusion of Spatio-Temporal and Multi-Scale Frequency Features for Dry Electrodes MI-EEG Decoding
• Title（参考訳）: ドライ電極MI-EEGデコードのための時空間・マルチスケール周波数特性の融合
• Authors: Tianyi Gong, Can Han, Junxi Wu, Dahong Qian,
• Abstract要約: ドライ電極モータ脳波計(MI-EEG)は、高速で快適で実世界の脳コンピューターインタフェースを実現する。 しかし、ドライレコーディングは、よりベースラインドリフトの低い信号対雑音比と突然の過渡率の3つの主要な問題を引き起こす。 ドライエレクトロドMI-EEGに適した三分岐フレームワークSTGMFMを紹介する。
• 参考スコア（独自算出の注目度）: 5.074534303001195
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Dry-electrode Motor Imagery Electroencephalography (MI-EEG) enables fast, comfortable, real-world Brain Computer Interface by eliminating gels and shortening setup for at-home and wearable use.However, dry recordings pose three main issues: lower Signal-to-Noise Ratio with more baseline drift and sudden transients; weaker and noisier data with poor phase alignment across trials; and bigger variances between sessions. These drawbacks lead to larger data distribution shift, making features less stable for MI-EEG tasks.To address these problems, we introduce STGMFM, a tri-branch framework tailored for dry-electrode MI-EEG, which models complementary spatio-temporal dependencies via dual graph orders, and captures robust envelope dynamics with a multi-scale frequency mixing branch, motivated by the observation that amplitude envelopes are less sensitive to contact variability than instantaneous waveforms. Physiologically meaningful connectivity priors guide learning, and decision-level fusion consolidates a noise-tolerant consensus. On our collected dry-electrode MI-EEG, STGMFM consistently surpasses competitive CNN/Transformer/graph baselines. Codes are available at https://github.com/Tianyi-325/STGMFM.
• Abstract（参考訳）: ドライ・エレクトロライド・モーター・イメージリー脳波(MI-EEG)は、ゲルを除去し、家庭やウェアラブルでの使用を短縮することで、高速で快適な現実世界の脳コンピューターインタフェースを可能にするが、ドライレコーディングは、ベースラインドリフトと急激な過渡性を持つ信号対雑音比の低下、試行間での位相アライメントの低下による弱くノイズの多いデータ、セッション間の大きなばらつきの3つの主要な問題を引き起こす。 これらの欠点は、MI-EEGタスクの安定性を損なうとともに、MI-EEGタスクの安定性を損なうことにつながる。この問題に対処するため、直列グラフの順序によって相補的な時空間依存性をモデル化する三分岐フレームワークであるSTGMFMを導入し、振幅エンベロープが瞬時波形よりも接触変動に敏感であることを示す観測により、マルチスケールの周波数混合ブランチで頑健なエンベロープダイナミクスを捕捉する。 生理学的に意味のある接続は、学習をガイドし、決定レベルの融合はノイズ耐性のコンセンサスを統合する。 収集したドライ電極MI-EEGでは,STGMFMは競合するCNN/Transformer/graphベースラインを一貫して上回っている。 コードはhttps://github.com/Tianyi-325/STGMFMで公開されている。

関連論文リスト

• Lightweight Test-Time Adaptation for EMG-Based Gesture Recognition [2.414036142474149]
  本稿では,TCNバックボーンを用いたテスト時間適応(TTA)のための軽量フレームワークを提案する。 本稿では, リアルタイム統計アライメントのための因果適応バッチ正規化, (ii) ガウス混合モデル(GMM)アライメント, (iii) 迅速な数ショットキャリブレーションのためのメタラーニングの3つの展開対応戦略を紹介する。 評価の結果,経験再生更新は限られたデータの下では優れた安定性を示し,メタラーニングは1ショットと2ショットのレギュレーションにおいて競争性能を達成していることがわかった。
  論文  参考訳（メタデータ） (2026-01-07T18:48:31Z)
• MFC-RFNet: A Multi-scale Guided Rectified Flow Network for Radar Sequence Prediction [7.015114232190396]
  レーダエコーシークエンスからの正確な高分解能降水は、災害軽減と経済計画に不可欠である。 鍵となる課題は、複雑なマルチスケール進化のモデル化、変位に起因するフレーム間特徴の不整合、長距離コンテキストの効率的なキャプチャである。 本稿では,MFRF-Net(Multiscale Feature Communication Rectified Flow Network)を提案する。
  論文  参考訳（メタデータ） (2026-01-07T06:24:26Z)
• GCMCG: A Clustering-Aware Graph Attention and Expert Fusion Network for Multi-Paradigm, Multi-task, and Cross-Subject EEG Decoding [0.7871262900865523]
  運動画像(MI)脳波(EEG)信号に基づく脳-コンピュータインタフェース(BCI)は、人間と機械の相互作用の直接的な経路を提供する。 本稿では,MI-ME EEGデコーディングのための新しい統合フレームワークであるGraph-guided Clustering Mixture-of-Experts CNNGRUGを提案する。
  論文  参考訳（メタデータ） (2025-11-29T18:05:33Z)
• Morphing Through Time: Diffusion-Based Bridging of Temporal Gaps for Robust Alignment in Change Detection [51.56484100374058]
  既存の変更検出ネットワークを変更することなく空間的・時間的ロバスト性を改善するモジュールパイプラインを導入する。 拡散モジュールは、大きな外観ギャップをブリッジする中間変形フレームを合成し、RoMaは段階的に対応を推定できる。 LEVIR-CD、WHU-CD、DSIFN-CDの実験は、登録精度と下流変化検出の両方において一貫した利得を示した。
  論文  参考訳（メタデータ） (2025-11-11T08:40:28Z)
• NeurIPT: Foundation Model for Neural Interfaces [13.659630322026095]
  NeurIPTは、トレーニング済みトランスフォーマーを備えた多様なEEGベースのニューラルインタフェース向けに開発された基礎モデルである。 我々はAAMP(Amplitude-Aware Masked Pretraining)を導入し、局所的以外の様々な信号強度にわたる堅牢な表現を学習する。 また、局所脳の特徴を効果的に活用するために、微調整中にインターローブプール(IILP)を開発する。
  論文  参考訳（メタデータ） (2025-10-18T15:45:00Z)
• CEReBrO: Compact Encoder for Representations of Brain Oscillations Using Efficient Alternating Attention [46.47343031985037]
  交互注意(CEReBrO)を用いた脳振動の表現のための圧縮法について紹介する。 トークン化方式は、チャネルごとのパッチで脳波信号を表現します。 本研究では,チャネル内時間的ダイナミックスとチャネル間空間的相関を共同でモデル化し,通常の自己アテンションに比べて6倍少ないメモリで2倍の速度向上を実現するための注意機構を提案する。
  論文  参考訳（メタデータ） (2025-01-18T21:44:38Z)
• Efficient Diffusion Transformer with Step-wise Dynamic Attention Mediators [83.48423407316713]
  本稿では,クエリとキーを別々に扱うために,追加の仲介者トークンを組み込んだ新しい拡散トランスフォーマーフレームワークを提案する。 本モデルでは, 正確な非曖昧な段階を呈し, 詳細に富んだ段階へと徐々に遷移する。 本手法は,最近のSiTと統合した場合に,最先端のFIDスコア2.01を達成する。
  論文  参考訳（メタデータ） (2024-08-11T07:01:39Z)
• 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)
• Decoding ECoG signal into 3D hand translation using deep learning [3.20238141000059]
  運動脳-コンピュータインターフェース(Motor Brain-Computer Interface、BCI)は、運動障害者が環境と対話できる技術である。 連続手の動きを予測するために使用されるほとんどのECoG信号デコーダは線形モデルである。 多くの問題において最先端のディープラーニングモデルは、この関係をよりよく捉えるための解決策になり得る。
  論文  参考訳（メタデータ） (2021-10-05T15:41:04Z)

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。