論文の概要: Self-Supervised Evolutionary Learning of Neurodynamic Progression and Identity Manifolds from EEG During Safety-Critical Decision Making

• arxiv url: http://arxiv.org/abs/2603.07334v1
• Date: Sat, 07 Mar 2026 20:48:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-10 15:13:14.300716
• Title: Self-Supervised Evolutionary Learning of Neurodynamic Progression and Identity Manifolds from EEG During Safety-Critical Decision Making
• Title（参考訳）: 安全臨界決定過程における脳波からの神経力学の進歩とアイデンティティ・マニフォールドの自己教師付き進化学習
• Authors: Xiaoshan Zhou, Carol C. Menassa, Vineet R. Kamat,
• Abstract要約: 本研究は、個別化された神経力学の進行と本質的なアイデンティティを発見する自己教師付き進化学習フレームワークを提案する。 シミュレーション道路横断決定タスクを行う参加者から記録された脳波の枠組みを検証する。 この枠組みは認知神経力学の進歩的視点を推し進め、次世代のスマート都市と交通インフラに影響を及ぼす。
• 参考スコア（独自算出の注目度）: 3.441021278275805
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Human-vehicle interaction in safety-critical traffic environments increasingly incorporates neural sensing to infer user intent and cognitive state, yet most existing approaches either treat electroencephalography (EEG) as a static biometric credential or train task-specific decoders that ignore long-term neurodynamic trajectories, lacking mechanisms for secure user identity and continual modeling of evolving cognitive states. This work proposes a self-supervised evolutionary learning (SSEL) framework that discovers individualized neurodynamic progressions and intrinsic identity manifolds directly from continuous EEG, without external labels or predefined cognitive stage models. SSEL jointly optimizes within-stage temporal predictability, boundary contrast, cross-trial alignment, and sparse stage-specific feature weights, while a population-based evolutionary search enables direct optimization in the discrete, non-differentiable space of candidate segmentations. We validate the framework on EEG recorded from participants performing a simulated road-crossing decision task, a canonical safety-critical scenario in which perceptual assessment, risk evaluation, and decision commitment unfold over time. The learned segmentations reveal stable, person-specific stage structures and neurodynamic signatures that support authentication and anomaly detection. Compared to inference-based segmentation baselines, SSEL achieves orders-of-magnitude higher boundary contrast, substantial gains in cross-trial generalization of intention boundaries, and more interpretable, sparse stage-wise feature attributions. Beyond performance, the framework advances a progression-aware perspective on cognitive neurodynamics, where security, resilience, and personalization emerge from the intrinsic temporal structure of brain activity, with implications for next-generation smart urban and transportation infrastructures.
• Abstract（参考訳）: 安全クリティカルな交通環境における人間と車両の相互作用は、ユーザー意図と認知状態の推測にニューラルネットワークを組み込んでいるが、既存のほとんどのアプローチは、脳波を静的な生体認証として扱うか、長期の神経力学的軌跡を無視したタスク固有のデコーダとして扱う。 本研究は, 外部ラベルや事前定義された認知段階モデルを用いずに, 連続脳波から直接, 個別化された神経力学の進展と内在的同一性多様体を発見する, 自己教師付き進化学習(SSEL)フレームワークを提案する。 SSELは、段階的時間的予測可能性、境界コントラスト、横断的アライメント、スパース的なステージ固有の特徴重みを共同で最適化する一方、人口ベースの進化的探索は、個別で微分不可能なセグメンテーションの空間において直接最適化を可能にする。 シミュレーションされた道路横断決定タスク, 知覚評価, リスク評価, 意思決定コミットメントが時間とともに展開する標準的安全クリティカルシナリオの参加者から記録された脳波の枠組みを検証した。 学習されたセグメンテーションは、安定した個人固有のステージ構造と、認証と異常検出をサポートする神経力学的シグネチャを明らかにする。 推論に基づくセグメンテーションベースラインと比較して、SSELは、高次境界コントラスト、意図境界の相互一般化における実質的なゲイン、より解釈可能な、よりスパースなステージワイズ特徴属性を達成している。 パフォーマンス以外にも、このフレームワークは認知神経力学の進歩を意識し、セキュリティ、レジリエンス、パーソナライゼーションは脳活動の固有の時間構造から生まれ、次世代のスマート都市と交通インフラに影響を及ぼす。

関連論文リスト

• General Self-Prediction Enhancement for Spiking Neurons [71.01912385372577]
  スパイキングニューラルネットワーク(SNN)は、イベント駆動のスパース計算によって非常にエネルギー効率が良いが、そのトレーニングは、性能、効率、生物学的妥当性の非微分可能性とトレードオフによって困難である。 本稿では,その入力出力履歴から内部予測電流を生成し,膜電位を変調する自己予測強化スパイキングニューロン法を提案する。 この設計には2つの利点があり、失明した勾配を緩和し、トレーニングの安定性と精度を高める連続的な勾配経路を作成し、また遠位樹状突起変調とエラー駆動のシナプス塑性に類似した生物学的原理と整合する。
  論文  参考訳（メタデータ） (2026-01-29T15:08:48Z)
• Adaptive Temporal Dynamics for Personalized Emotion Recognition: A Liquid Neural Network Approach [0.0]
  この研究は、脳波に基づく感情認識のための液体ニューラルネットワークの包括的な応用として、私たちの知る限り、最も優れたものである。 提案するフレームワークは,畳み込み特徴抽出,学習可能な時間定数による液体ニューラルネットワーク,注意誘導融合を組み合わせたものである。 PhyMERデータセット上で、7つの感情的なクラスで行われた被験者依存実験は95.45%の精度を達成し、これまでに報告された結果を上回った。
  論文  参考訳（メタデータ） (2026-01-28T12:14:45Z)
• Self-motion as a structural prior for coherent and robust formation of cognitive maps [31.112944521126135]
  自己運動は学習された認知地図の幾何学を積極的に整理する構造的先行として振る舞うことができることを示す。 我々は、キャパシティ効率、脳にインスパイアされたリカレントメカニズムを用いて実装された予測符号化フレームワークに、経路積分に基づく動作を前もって組み込む。 力学解析により、先行運動自体が厳密な制約の下で幾何学的に正確な軌道を符号化していることが明らかになった。
  論文  参考訳（メタデータ） (2025-12-23T04:28:52Z)
• From Actions to Kinesics: Extracting Human Psychological States through Bodily Movements [1.2676356746752893]
  本稿では3次元骨格関節データから人間の活動のコミュニケーション機能を推定するキネシクス認識フレームワークを提案する。 Dyadic User EngagemenT データセットで得られた結果は、この手法により、スケーラブルで、正確で、人間中心の行動モデリングが可能になることを実証している。
  論文  参考訳（メタデータ） (2025-10-06T14:31:53Z)
• Training Deep Normalization-Free Spiking Neural Networks with Lateral Inhibition [52.59263087086756]
  深層ニューラルネットワーク(SNN)のトレーニングは、バッチ正規化のような明示的な正規化スキームに依存している。 本研究では,皮質回路にインスパイアされた側方抑制を取り入れた正規化自由学習フレームワークを提案する。 本稿では,生物リアリズムを持つ深層SNNの安定的学習を可能にするとともに,明示的な正規化に頼らずに競争性能を達成できることを述べる。
  論文  参考訳（メタデータ） (2025-09-27T11:11:30Z)
• Zero-Shot EEG-to-Gait Decoding via Phase-Aware Representation Learning [9.49131859415923]
  ドメイン一般化型脳波-モーションデコーディングフレームワークであるNeuroDyGaitを提案する。 構造化されたコントラスト表現学習とリレーショナルドメインモデリングを使用して、脳波とモーション埋め込みのセマンティックアライメントを実現する。 ベンチマークデータセットのクロスオブジェクト歩行復号における適応や優れた性能を必要とせずに、見えない個人に対するゼロショットモーション予測を実現する。
  論文  参考訳（メタデータ） (2025-06-24T06:03:49Z)
• 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)
• Dynamic Programming Techniques for Enhancing Cognitive Representation in Knowledge Tracing [125.75923987618977]
  認知表現動的プログラミングに基づく知識追跡(CRDP-KT)モデルを提案する。 質問の難易度とそれらの間の性能間隔に基づいて認知表現を最適化する動的プログラミングアルゴリズムである。 これは、その後のモデルトレーニングのためにより正確で体系的な入力機能を提供し、それによって認知状態のシミュレーションにおける歪みを最小限にする。
  論文  参考訳（メタデータ） (2025-06-03T14:44:48Z)
• Detecting Neurocognitive Disorders through Analyses of Topic Evolution and Cross-modal Consistency in Visual-Stimulated Narratives [83.15653194899126]
  神経認知障害(NCD)の早期発見は、時間的介入と疾患管理に不可欠である。 現在のVSNベースのNCD検出法は主にボトムアップ、刺激駆動認知プロセスと密接に結びついている言語マイクロ構造に焦点を当てている。 本稿では,話題の時間的変化を追跡する動的トピックモデル(DTM)と,物語と視覚刺激の相互整合性を測定するテキスト画像時間アライメントネットワーク(TITAN)の2つの新しいマクロ構造手法を提案する。
  論文  参考訳（メタデータ） (2025-01-07T12:16:26Z)
• Multi-modal Mood Reader: Pre-trained Model Empowers Cross-Subject Emotion Recognition [23.505616142198487]
  我々は、クロスオブジェクト感情認識のための訓練済みモデルに基づくMultimodal Mood Readerを開発した。 このモデルは、大規模データセットの事前学習を通じて、脳波信号の普遍的な潜在表現を学習する。 公開データセットに関する大規模な実験は、クロスオブジェクト感情認識タスクにおけるMood Readerの優れたパフォーマンスを示している。
  論文  参考訳（メタデータ） (2024-05-28T14:31:11Z)
• fMRI from EEG is only Deep Learning away: the use of interpretable DL to unravel EEG-fMRI relationships [68.8204255655161]
  多チャンネル脳波データからいくつかの皮質下領域の活性を回復するための解釈可能な領域基底解を提案する。 我々は,皮質下核の血行動態信号の頭皮脳波予測の空間的・時間的パターンを復元する。
  論文  参考訳（メタデータ） (2022-10-23T15:11:37Z)

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。