論文の概要: Bidirectional Temporal Dynamics Modeling for EEG-based Driving Fatigue Recognition

• arxiv url: http://arxiv.org/abs/2602.14071v1
• Date: Sun, 15 Feb 2026 09:42:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-17 14:17:28.638849
• Title: Bidirectional Temporal Dynamics Modeling for EEG-based Driving Fatigue Recognition
• Title（参考訳）: 脳波駆動疲労認識のための双方向時間ダイナミクスモデリング
• Authors: YipTin Po, Jianming Wang, Yutao Miao, Jiayan Zhang, Yunxu Zhao, Xiaomin Ouyang, Zhihong Li, Nevin L. Zhang,
• Abstract要約: 運転疲労は交通事故の主要な原因であり、道路の安全に深刻な脅威をもたらす。 脳波に基づく疲労認識は、強い非定常性と非対称神経力学によって妨げられる。 我々は,脳波に基づく運転疲労認識のための双方向時間ダイナミクスを明示的に捉える新しいフレームワークDeltaGateNetを提案する。
• 参考スコア（独自算出の注目度）: 8.553069379167221
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Driving fatigue is a major contributor to traffic accidents and poses a serious threat to road safety. Electroencephalography (EEG) provides a direct measurement of neural activity, yet EEG-based fatigue recognition is hindered by strong non-stationarity and asymmetric neural dynamics. To address these challenges, we propose DeltaGateNet, a novel framework that explicitly captures Bidirectional temporal dynamics for EEG-based driving fatigue recognition. Our key idea is to introduce a Bidirectional Delta module that decomposes first-order temporal differences into positive and negative components, enabling explicit modeling of asymmetric neural activation and suppression patterns. Furthermore, we design a Gated Temporal Convolution module to capture long-term temporal dependencies for each EEG channel using depthwise temporal convolutions and residual learning, preserving channel-wise specificity while enhancing temporal representation robustness. Extensive experiments conducted under both intra-subject and inter-subject evaluation settings on the public SEED-VIG and SADT driving fatigue datasets demonstrate that DeltaGateNet consistently outperforms existing methods. On SEED-VIG, DeltaGateNet achieves an intra-subject accuracy of 81.89% and an inter-subject accuracy of 55.55%. On the balanced SADT 2022 dataset, it attains intra-subject and inter-subject accuracies of 96.81% and 83.21%, respectively, while on the unbalanced SADT 2952 dataset, it achieves 96.84% intra-subject and 84.49% inter-subject accuracy. These results indicate that explicitly modeling Bidirectional temporal dynamics yields robust and generalizable performance under varying subject and class-distribution conditions.
• Abstract（参考訳）: 運転疲労は交通事故の主要な原因であり、道路の安全に深刻な脅威をもたらす。 脳波(EEG)は神経活動を直接測定するが、脳波に基づく疲労認識は強い非定常性や非対称神経力学によって妨げられる。 これらの課題に対処するために,脳波による運転疲労認識のための双方向時間ダイナミクスを明示的に捉える新しいフレームワークDeltaGateNetを提案する。 我々のキーとなる考え方は、一階時間差を正成分と負成分に分解し、非対称なニューラルアクティベーションと抑制パターンの明示的なモデリングを可能にする双方向デルタモジュールの導入である。 さらに,時間的表現の堅牢性を高めつつ,時間的表現特異性を保ちながら,時間的時間的コンボリューションと残差学習を用いて,脳波チャネルの長期的時間的依存性を捕捉するゲーテッド・テンポラル・コンボリューション・モジュールを設計した。 公的なSEED-VIGおよびSADT駆動疲労データセットにおいて、オブジェクト内およびオブジェクト間評価設定の両方で実施された広範囲な実験により、DeltaGateNetは既存の手法を一貫して上回ることを示した。 SEED-VIGでは、DeltaGateNetは81.89%のオブジェクト内精度、55.55%のオブジェクト間精度を実現している。 バランスの取れたSADT 2022データセットでは、それぞれ96.81%と83.21%のオブジェクト内精度を達成し、非バランスのSADT 2952データセットでは96.84%と84.49%のオブジェクト間精度を達成している。 これらの結果は、双方向時間力学を明示的にモデル化することで、様々な対象とクラス分布条件下で頑健で一般化可能な性能が得られることを示している。

関連論文リスト

• Modified TSception for Analyzing Driver Drowsiness and Mental Workload from EEG [6.767263284839525]
  ドライバーの眠気は依然として交通事故の主な原因であり、リアルタイムで信頼性の高い検知システムの開発を必要としている。 本研究は,脳波を用いたドライバ疲労のロバスト評価を目的とした改良型TSceptionアーキテクチャを提案する。 アーキテクチャの一般化性は、STEWのメンタルワークロードデータセットで検証される。
  論文  参考訳（メタデータ） (2025-12-25T17:48:11Z)
• 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)
• HANS-Net: Hyperbolic Convolution and Adaptive Temporal Attention for Accurate and Generalizable Liver and Tumor Segmentation in CT Imaging [2.7205074719266062]
  腹部CT像における肝・腫瘍の正確なセグメンテーションは確実な診断と治療計画に重要である。 ニューラル表現とシナプティック・プラスティック・ネットワーク(HANS-Net)を用いたハイパーボリック・コンボリューションの導入 HANS-Netは、階層的幾何表現のための双曲的畳み込み、マルチスケールテクスチャ学習のためのウェーブレットインスパイアされた分解モジュール、暗黙の神経表現分岐を組み合わせた。
  論文  参考訳（メタデータ） (2025-07-15T13:56:37Z)
• AGTCNet: A Graph-Temporal Approach for Principled Motor Imagery EEG Classification [0.0]
  本研究では,運動画像脳波(MI-EEG)分類のための新しいグラフ時間モデルAGTCNetを提案する。 49.87%のモデルサイズ減少、64.65%の推論時間、より短い入力EEG信号により、AGTCNetは被検者に依存しない分類において66.82%の移動平均精度を達成した。
  論文  参考訳（メタデータ） (2025-06-26T14:49:10Z)
• Time-varying EEG spectral power predicts evoked and spontaneous fMRI motor brain activity [4.2991900707527915]
  脳波-fMRI同時記録は、fMRI信号と脳波信号の相補的な高空間分解能と高時間分解能をそれぞれ利用することにより、脳活動の研究にますます利用されている。 本稿では,Sparse Group Lasso正則化を用いた個別被験者を対象とした解釈モデルを用いて,運動脳ネットワークのタスク誘発信号と自発fMRI信号の両方を予測できるかどうかを検討する。
  論文  参考訳（メタデータ） (2025-04-14T22:54:41Z)
• Electromyography-Based Gesture Recognition: Hierarchical Feature Extraction for Enhanced Spatial-Temporal Dynamics [0.7083699704958353]
  本稿では, 時間的時間的特徴抽出手法として, 軽量な圧縮励起深層学習手法を提案する。 提案したモデルは、Ninapro DB2、DB4、DB5データセットでそれぞれ96.41%、92.40%、93.34%の精度でテストされた。
  論文  参考訳（メタデータ） (2025-04-04T07:11:12Z)
• MT-NAM: An Efficient and Adaptive Model for Epileptic Seizure Detection [51.87482627771981]
  マイクロツリーベースNAM(MT-NAM)は,最近提案されたニューラル付加モデル(NAM)に基づく蒸留モデルである。 MT-NAMは、標準のNAMと比較して、精度を損なうことなく、100$Times$の推論速度の向上を実現している。 今回我々はCHB-MITの頭皮脳波データを用いて,セッション数や発作回数の異なる24例の脳波データについて検討した。
  論文  参考訳（メタデータ） (2025-03-11T10:14:53Z)
• REST: Efficient and Accelerated EEG Seizure Analysis through Residual State Updates [54.96885726053036]
  本稿では,リアルタイム脳波信号解析のための新しいグラフベース残状態更新機構(REST)を提案する。 グラフニューラルネットワークとリカレント構造の組み合わせを活用することで、RESTは、非ユークリッド幾何学とEEGデータ内の時間的依存関係の両方を効率的にキャプチャする。 本モデルは,発作検出と分類作業において高い精度を示す。
  論文  参考訳（メタデータ） (2024-06-03T16:30:19Z)
• Edge Continual Learning for Dynamic Digital Twins over Wireless Networks [68.65520952712914]
  デジタルツイン(DT)は、現実世界とメタバースの間の重要なリンクを構成する。 本稿では,物理的双生児とそれに対応するサイバー双生児の親和性を正確にモデル化する新しいエッジ連続学習フレームワークを提案する。 提案するフレームワークは,破滅的忘れ込みに対して頑健な,高精度かつ同期的なCTモデルを実現する。
  論文  参考訳（メタデータ） (2022-04-10T23:25:37Z)
• SOUL: An Energy-Efficient Unsupervised Online Learning Seizure Detection Classifier [68.8204255655161]
  神経活動を記録して発作を検出するインプラントデバイスは、発作を抑えるために警告を発したり神経刺激を誘発したりするために採用されている。 移植可能な発作検出システムでは、低出力で最先端のオンライン学習アルゴリズムを使用して、神経信号のドリフトに動的に適応することができる。 SOULはTSMCの28nmプロセスで0.1mm2を占め、1.5nJ/分級エネルギー効率を実現した。
  論文  参考訳（メタデータ） (2021-10-01T23:01:20Z)

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。