論文の概要: RepSPD: Enhancing SPD Manifold Representation in EEGs via Dynamic Graphs

• arxiv url: http://arxiv.org/abs/2602.22981v1
• Date: Thu, 26 Feb 2026 13:22:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-27 18:41:22.700574
• Title: RepSPD: Enhancing SPD Manifold Representation in EEGs via Dynamic Graphs
• Title（参考訳）: RepSPD: 動的グラフによる脳波におけるSPDマニフォールド表現の強化
• Authors: Haohui Jia, Zheng Chen, Lingwei Zhu, Xu Cao, Yasuko Matsubara, Takashi Matsubara, Yasushi Sakurai,
• Abstract要約: 脳波(EEG)からの脳活動の復号は神経科学および臨床応用に不可欠である。 本稿では,新しい幾何学的深層学習(GDL)モデルであるRepSPDを提案する。 我々は、接空間埋め込みを再構築し、曲率による幾何学的歪みを緩和し、幾何学的整合性を高めるために、グローバルな双方向アライメント戦略を導入する。
• 参考スコア（独自算出の注目度）: 33.87495510816597
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Decoding brain activity from electroencephalography (EEG) is crucial for neuroscience and clinical applications. Among recent advances in deep learning for EEG, geometric learning stands out as its theoretical underpinnings on symmetric positive definite (SPD) allows revealing structural connectivity analysis in a physics-grounded manner. However, current SPD-based methods focus predominantly on statistical aggregation of EEGs, with frequency-specific synchronization and local topological structures of brain regions neglected. Given this, we propose RepSPD, a novel geometric deep learning (GDL)-based model. RepSPD implements a cross-attention mechanism on the Riemannian manifold to modulate the geometric attributes of SPD with graph-derived functional connectivity features. On top of this, we introduce a global bidirectional alignment strategy to reshape tangent-space embeddings, mitigating geometric distortions caused by curvature and thereby enhancing geometric consistency. Extensive experiments demonstrate that our proposed framework significantly outperforms existing EEG representation methods, exhibiting superior robustness and generalization capabilities.
• Abstract（参考訳）: 脳波(EEG)からの脳活動の復号は神経科学および臨床応用に不可欠である。 脳波の深層学習の最近の進歩の中で、幾何学的学習は対称正定値(SPD)の理論的基盤として際立っている。 しかし、現在のSPD法は主に脳波の統計的集約に焦点を当てており、周波数特異的同期と脳領域の局所的な位相構造は無視されている。 そこで我々は,新しい幾何学的深層学習(GDL)モデルであるRepSPDを提案する。 RepSPDはリーマン多様体上のクロスアテンション機構を実装し、グラフ由来の汎関数接続特徴を持つSPDの幾何学的属性を変調する。 これに加えて, 接空間埋め込みを再構築し, 曲率による幾何歪みを緩和し, 幾何整合性を高めるグローバルな双方向アライメント戦略を導入する。 大規模な実験により,提案手法は既存の脳波表現法よりも優れ,強靭性と一般化能力に優れていた。

関連論文リスト

• 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)
• SPD Learning for Covariance-Based Neuroimaging Analysis: Perspectives, Methods, and Challenges [41.955864444491965]
  ニューロイメージングは、モダリティを越えた接続パターンと機能的アーキテクチャを定量化することによって、脳活動の特徴付けのための重要なフレームワークを提供する。 現代の機械学習は、これらのデータセットを通してニューラル処理機構の理解を大幅に進歩させてきた。 本稿では、共分散に基づくニューロイメージングデータに対する機械学習アプローチに焦点を当て、チャネル間関係を符号化したフルランク条件下での対称正定値行列について述べる。
  論文  参考訳（メタデータ） (2025-04-26T10:05:04Z)
• Scalable Geometric Learning with Correlation-Based Functional Brain Networks [0.0]
  相関行列は神経画像における機能的脳ネットワークの中心的な表現である。 伝統的な分析はユークリッド環境では、しばしば対の相互作用を独立に扱う。 本稿では、ユークリッド空間に相関行列を埋め込む新しい幾何学的枠組みを提案する。
  論文  参考訳（メタデータ） (2025-03-31T01:35:50Z)
• EEG-ReMinD: Enhancing Neurodegenerative EEG Decoding through Self-Supervised State Reconstruction-Primed Riemannian Dynamics [24.57253767771542]
  脳波復号法(EEG-ReMinD)と呼ばれる新しい脳波復号法を提案する。 EEG-ReMinDは教師付き学習への依存を緩和し、固有の幾何学的特徴を統合する。 EEGデータの破損を効率的に処理し、ラベルへの依存を減らす。
  論文  参考訳（メタデータ） (2025-01-14T14:19:40Z)
• Interpretable Spatio-Temporal Embedding for Brain Structural-Effective Network with Ordinary Differential Equation [56.34634121544929]
  本研究では,まず動的因果モデルを用いて脳効果ネットワークを構築する。 次に、STE-ODE(Spatio-Temporal Embedding ODE)と呼ばれる解釈可能なグラフ学習フレームワークを導入する。 このフレームワークは、構造的および効果的なネットワーク間の動的相互作用を捉えることを目的とした、特異的に設計されたノード埋め込み層を含んでいる。
  論文  参考訳（メタデータ） (2024-05-21T20:37:07Z)
• Adaptive Log-Euclidean Metrics for SPD Matrix Learning [73.12655932115881]
  広く使われているログユークリッド計量(LEM)を拡張した適応ログユークリッド計量(ALEM)を提案する。 実験および理論的結果から,SPDニューラルネットワークの性能向上における提案手法の有効性が示された。
  論文  参考訳（メタデータ） (2023-03-26T18:31:52Z)
• MAtt: A Manifold Attention Network for EEG Decoding [0.966840768820136]
  多様体注意ネットワーク(mAtt)を特徴とする脳波復号のための新しい幾何学的学習(GDL)モデルを提案する。 時間同期EEGデータセットと非同期EEGデータセットの両方におけるMAttの評価は、一般的なEEGデコーディングのための他の主要なDLメソッドよりも優れていることを示唆している。
  論文  参考訳（メタデータ） (2022-10-05T02:26:31Z)
• Hyperbolic Neural Networks++ [66.16106727715061]
  ニューラルネットワークの基本成分を1つの双曲幾何モデル、すなわちポアンカーの球モデルで一般化する。 実験により, 従来の双曲成分と比較してパラメータ効率が優れ, ユークリッド成分よりも安定性と性能が優れていた。
  論文  参考訳（メタデータ） (2020-06-15T08:23:20Z)

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。