論文の概要: Assembling the Mind's Mosaic: Towards EEG Semantic Intent Decoding
- arxiv url: http://arxiv.org/abs/2601.20447v1
- Date: Wed, 28 Jan 2026 10:05:21 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-01-29 15:46:06.888381
- Title: Assembling the Mind's Mosaic: Towards EEG Semantic Intent Decoding
- Title（参考訳）: 心のモザイクを組み立てる:脳波セマンティックインテントデコーディングを目指して
- Authors: Jiahe Li, Junru Chen, Fanqi Shen, Jialan Yang, Jada Li, Zhizhang Yuan, Baowen Cheng, Meng Li, Yang Yang,
- Abstract要約: 本稿では,ニューラルアクティビティを自然言語に変換する新しいフレームワークであるSemantic Intent Decoding(SID)を紹介する。
SIDはセマンティックな構成性、セマンティックな空間の連続性と拡張性、再構築における忠実性という3つの基本原理に基づいて構築されている。
本稿では,SIDを実装したディープラーニングアーキテクチャであるBrainMosaicを紹介する。
- 参考スコア（独自算出の注目度）: 10.582445751844594
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Enabling natural communication through brain-computer interfaces (BCIs) remains one of the most profound challenges in neuroscience and neurotechnology. While existing frameworks offer partial solutions, they are constrained by oversimplified semantic representations and a lack of interpretability. To overcome these limitations, we introduce Semantic Intent Decoding (SID), a novel framework that translates neural activity into natural language by modeling meaning as a flexible set of compositional semantic units. SID is built on three core principles: semantic compositionality, continuity and expandability of semantic space, and fidelity in reconstruction. We present BrainMosaic, a deep learning architecture implementing SID. BrainMosaic decodes multiple semantic units from EEG/SEEG signals using set matching and then reconstructs coherent sentences through semantic-guided reconstruction. This approach moves beyond traditional pipelines that rely on fixed-class classification or unconstrained generation, enabling a more interpretable and expressive communication paradigm. Extensive experiments on multilingual EEG and clinical SEEG datasets demonstrate that SID and BrainMosaic offer substantial advantages over existing frameworks, paving the way for natural and effective BCI-mediated communication.
- Abstract（参考訳）: 脳-コンピュータインターフェース(BCI)による自然なコミュニケーションの実現は、神経科学とニューロテクノロジーにおける最も大きな課題の1つだ。
既存のフレームワークは部分的なソリューションを提供するが、過度に単純化されたセマンティック表現と解釈可能性の欠如によって制約される。
これらの制限を克服するために,ニューラルネットワークを自然言語に変換する新しいフレームワークであるSemantic Intent Decoding (SID)を導入する。
SIDはセマンティックな構成性、セマンティックな空間の連続性と拡張性、再構築における忠実性という3つの基本原理に基づいて構築されている。
本稿では,SIDを実装したディープラーニングアーキテクチャであるBrainMosaicを紹介する。
BrainMosaicは、セットマッチングを使用してEEG/SEEG信号から複数のセマンティックユニットをデコードし、セマンティックガイドによる再構成によってコヒーレントな文を再構築する。
このアプローチは、固定クラスの分類や制約のない生成に依存する従来のパイプラインを超えて、より解釈可能で表現力のある通信パラダイムを可能にします。
多言語脳波と臨床SEEGデータセットに関する大規模な実験は、SIDとBrainMosaicが既存のフレームワークに対して大きなアドバンテージをもたらし、自然かつ効果的なBCIを介したコミュニケーションの道を開いたことを示している。
関連論文リスト
- Top 10 Open Challenges Steering the Future of Diffusion Language Model and Its Variants [85.33837131101342]
本稿では,基盤基盤,アルゴリズム最適化,認知推論,統合マルチモーダルインテリジェンスという4つの柱で構成された戦略ロードマップを提案する。
この移行は、複雑な構造的推論、動的自己補正、シームレスなマルチモーダル統合が可能な次世代AIの開発に不可欠である、と我々は主張する。
論文 参考訳（メタデータ） (2026-01-20T14:58:23Z) - TGC-Net: A Structure-Aware and Semantically-Aligned Framework for Text-Guided Medical Image Segmentation [56.09179939570486]
本稿では,パラメータ効率,タスク固有適応に着目したCLIPベースのフレームワークであるTGC-Netを提案する。
TGC-Netは、挑戦的なベンチマークで顕著なDiceゲインを含む、トレーニング可能なパラメータをかなり少なくして、最先端のパフォーマンスを実現している。
論文 参考訳（メタデータ） (2025-12-24T12:06:26Z) - fMRI-LM: Towards a Universal Foundation Model for Language-Aligned fMRI Understanding [30.02799445727658]
機能的MRI(fMRI)と言語を3段階の枠組みでブリッジする基礎モデルであるfMRI-LMを提案する。
ステージ1では、fMRIを言語一貫性空間に埋め込まれた離散トークンにマッピングする神経トークン化器を学習する。
ステージ2では、事前訓練されたLLMがfMRIトークンとテキストを共同でモデル化し、脳の活動が時間的に予測され言語的に記述されるシーケンスとして扱われる。
ステージ3では、ハイレベルなセマンティック理解を備えたfMRI-LMを実現するために、マルチタスク、マルチパラダイムのチューニングを行う。
論文 参考訳（メタデータ） (2025-11-24T20:26:59Z) - Unveiling Deep Semantic Uncertainty Perception for Language-Anchored Multi-modal Vision-Brain Alignment [12.210878855224278]
Bratrixはマルチモーダル言語-アンコレッドビジョン-ブレインアライメントを実現するためのエンドツーエンドフレームワークである。
ブラトリクスは視覚刺激を階層的な視覚的・言語的意味論コンポーネントに分解し、視覚的・脳的表現を共有潜在空間に投影する。
EEG、MEG、fMRIベンチマークの実験では、Bratrixは最先端の手法と比較して検索、再構築、キャプション性能を改善している。
論文 参考訳（メタデータ） (2025-11-06T05:36:39Z) - WaveMind: Towards a Conversational EEG Foundation Model Aligned to Textual and Visual Modalities [55.00677513249723]
脳波信号は認知過程と固有の神経状態の両方を同時に符号化する。
我々は、EEG信号とその対応するモダリティを統一意味空間にマッピングし、一般化された解釈を実現する。
結果として得られたモデルは、柔軟でオープンな会話をサポートしながら、堅牢な分類精度を示す。
論文 参考訳（メタデータ） (2025-09-26T06:21:51Z) - From reactive to cognitive: brain-inspired spatial intelligence for embodied agents [50.99942960312313]
Brain-inspired Space Cognition for Navigation (BSC-Nav) は、エンボディエージェントにおける構造化空間メモリの構築と活用のための統合されたフレームワークである。
BSC-Navは、エゴセントリックな軌跡と文脈的手がかりからアロセントリックな認知マップを構築し、意味的目標に沿った空間的知識を動的に回収する。
論文 参考訳（メタデータ） (2025-08-24T03:20:48Z) - CodeBrain: Towards Decoupled Interpretability and Multi-Scale Architecture for EEG Foundation Model [52.466542039411515]
EEGファウンデーションモデル(EFM)は、タスク固有のモデルのスケーラビリティ問題に対処するために登場した。
このギャップを埋めるために設計された2段階のEMFであるCodeBrainを紹介します。
第1段階では、異種時間・周波数の脳波信号を離散トークンに分解するTFDual-Tokenizerを導入する。
第2段階では、構造化されたグローバル畳み込みとスライディングウインドウの注意を結合したマルチスケールEEGSSMアーキテクチャを提案する。
論文 参考訳（メタデータ） (2025-06-10T17:20:39Z) - 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) - Decoding the Multimodal Mind: Generalizable Brain-to-Text Translation via Multimodal Alignment and Adaptive Routing [36.47424671683706]
本稿では,脳信号とテキスト,画像,音声を含む共有意味空間を連携させる統合フレームワークを提案する。
ルータモジュールは、各刺激の特性に応じて、モダリティ固有の脳の特徴を動的に選択、融合する。
テキスト、視覚、聴覚刺激を含む様々なfMRIデータセットの実験では、最先端のパフォーマンスを示し、最も一般的に使用されるベンチマークでは8.48%の改善が達成されている。
論文 参考訳（メタデータ） (2025-05-15T14:46:45Z) - BriLLM: Brain-inspired Large Language Model [40.47939901030644]
BriLLMは、機械学習の基礎を再定義する、脳にインスパイアされた大きな言語モデルである。
BriLLMは2つの重要な神経認知原理を取り入れている。(1) 静的な意味マッピング、(2) トークンは皮質領域に類似した特定のノードにマッピングされ、(2) 脳活動で観察される電気生理学的情報ダイナミクスをシミュレートする動的信号伝達である。
このアーキテクチャは、自然なマルチモーダル互換性、ノードレベルでの完全なモデル解釈可能性、コンテキスト長の独立スケーリング、言語タスクのための脳に似た情報処理のグローバルなシミュレーションなど、複数の革新的なブレークスルーを可能にする。
論文 参考訳（メタデータ） (2025-03-14T11:08:30Z)
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。