Fugu-MT 論文翻訳(概要): Geometry- and Relation-Aware Diffusion for EEG Super-Resolution

論文の概要: Geometry- and Relation-Aware Diffusion for EEG Super-Resolution

arxiv url: http://arxiv.org/abs/2602.02238v1
Date: Mon, 02 Feb 2026 15:44:20 GMT
ステータス: 翻訳完了
システム内更新日: 2026-02-03 19:28:34.263114
Title: Geometry- and Relation-Aware Diffusion for EEG Super-Resolution
Title（参考訳）: 脳波超解像のための幾何学的・関係論的拡散
Authors: Laura Yao, Gengwei Zhang, Moajjem Chowdhury, Yunmei Liu, Tianlong Chen,
Abstract要約: TopoDiffは、EEG空間超解像のための幾何学的および関係性を考慮した拡散モデルである。人間の専門家が空間脳波パターンをどう解釈するかにインスパイアされたTopoDiffは、トポロジーを意識した画像埋め込みを取り入れている。この設計により、一貫した性能向上を伴う空間基底型EEG空間超解像フレームワークが得られる。
参考スコア（独自算出の注目度）: 33.53397341962788
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Recent electroencephalography (EEG) spatial super-resolution (SR) methods, while showing improved quality by either directly predicting missing signals from visible channels or adapting latent diffusion-based generative modeling to temporal data, often lack awareness of physiological spatial structure, thereby constraining spatial generation performance. To address this issue, we introduce TopoDiff, a geometry- and relation-aware diffusion model for EEG spatial super-resolution. Inspired by how human experts interpret spatial EEG patterns, TopoDiff incorporates topology-aware image embeddings derived from EEG topographic representations to provide global geometric context for spatial generation, together with a dynamic channel-relation graph that encodes inter-electrode relationships and evolves with temporal dynamics. This design yields a spatially grounded EEG spatial super-resolution framework with consistent performance improvements. Across multiple EEG datasets spanning diverse applications, including SEED/SEED-IV for emotion recognition, PhysioNet motor imagery (MI/MM), and TUSZ for seizure detection, our method achieves substantial gains in generation fidelity and leads to notable improvements in downstream EEG task performance.
Abstract（参考訳）: 近年の脳波法(EEG)の空間超解像法は, 可視チャネルからの欠損信号を直接予測するか, 時間的データに潜時拡散に基づく生成モデルを適用することで, 空間的空間構造への認識を欠くことが多く, 空間的生成性能の制限を図っている。この問題に対処するために,脳波空間超解像のための幾何学的および関係性を考慮した拡散モデルであるTopoDiffを紹介する。人間の専門家が空間脳波パターンをどう解釈するかに触発されて、トポディフは脳波のトポロジカルな表現から派生したトポロジカルな画像埋め込みを取り入れ、空間生成のためのグローバルな幾何学的文脈と、電界間の関係を符号化し時間的ダイナミクスで進化する動的チャネル関係グラフを提供する。この設計により、一貫した性能向上を伴う空間基底型EEG空間超解像フレームワークが得られる。感情認識のためのSEED/SEED-IV、発作検出のためのMI/MM、TUSZなど、多種多様な脳波データセットにまたがって、本手法は世代知能の大幅な向上を実現し、下流脳波タスク性能の顕著な改善につながっている。

関連論文リスト

EEG-Driven Image Reconstruction with Saliency-Guided Diffusion Models [4.815274507478168]
既存の脳波駆動画像再構成法は、しばしば空間的注意機構を見落とし、忠実さとセマンティックコヒーレンスを制限する。本稿では,脳波の埋め込みと空間空間分布マップを組み合わせることで画像生成を向上する2つの条件付けフレームワークを提案する。
論文参考訳（メタデータ） (2025-10-30T11:34:37Z)
PHASE-Net: Physics-Grounded Harmonic Attention System for Efficient Remote Photoplethysmography Measurement [63.007237197267834]
既存のディープラーニング手法は、主に生理学的モニタリングであり、理論的な堅牢性を欠いている。本研究では,Navier-Stokes方程式のヘモダイナミックスから導かれる物理インフォームド r パラダイムを提案し,パルス信号が2次系に従うことを示す。これは、時間的円錐ネットワーク(TCN)を使用する理論的正当性を提供する。 Phase-Netは高い効率で最先端のパフォーマンスを実現し、理論上は基礎的でデプロイ可能な r ソリューションを提供する。
論文参考訳（メタデータ） (2025-09-29T14:36:45Z)
PhysLLM: Harnessing Large Language Models for Cross-Modal Remote Physiological Sensing [49.243031514520794]
LLM(Large Language Models)は、テキスト中心の設計のため、長距離信号の取得に優れる。 PhysLLMは最先端の精度とロバスト性を実現し、照明のバリエーションや動きのシナリオにまたがる優れた一般化を示す。
論文参考訳（メタデータ） (2025-05-06T15:18:38Z)
Geometry-aware Active Learning of Spatiotemporal Dynamic Systems [4.251030047034566]
本稿では,動的システムのモデリングのための幾何対応能動学習フレームワークを提案する。データ収集のための空間的位置を戦略的に識別し、予測精度をさらに最大化する適応型能動学習戦略を開発した。
論文参考訳（メタデータ） (2025-04-26T19:56:38Z)
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)
Geometric Trajectory Diffusion Models [58.853975433383326]
生成モデルは3次元幾何学システムの生成において大きな可能性を示してきた。既存のアプローチは静的構造のみで動作し、物理系は常に自然界において動的であるという事実を無視する。本研究では3次元軌跡の時間分布をモデル化する最初の拡散モデルである幾何軌道拡散モデル(GeoTDM)を提案する。
論文参考訳（メタデータ） (2024-10-16T20:36:41Z)
MVGT: A Multi-view Graph Transformer Based on Spatial Relations for EEG Emotion Recognition [4.184462746475896]
3つの領域にまたがる情報を統合する空間関係に基づく多視点グラフ変換器(MVGT)を提案する。公開データセットの評価では、MVGTがパフォーマンスにおいて最先端の手法を上回ることが示されている。
論文参考訳（メタデータ） (2024-07-03T14:13:00Z)
On the spatial attention in Spatio-Temporal Graph Convolutional Networks for skeleton-based human action recognition [97.14064057840089]
カルチャーネットワーク(GCN)は、スケルトンをグラフとしてモデル化することで、スケルトンに基づく人間の行動認識の性能を約束する。最近提案されたG時間に基づく手法のほとんどは、ネットワークの各層におけるグラフ構造を学習することで、性能を向上させる。
論文参考訳（メタデータ） (2020-11-07T19:03:04Z)

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。