論文の概要: Synthetic Data Generation for Brain-Computer Interfaces: Overview, Benchmarking, and Future Directions

• arxiv url: http://arxiv.org/abs/2603.12296v1
• Date: Wed, 11 Mar 2026 20:36:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-16 17:38:11.687532
• Title: Synthetic Data Generation for Brain-Computer Interfaces: Overview, Benchmarking, and Future Directions
• Title（参考訳）: 脳-コンピュータインタフェースのための合成データ生成:概観,ベンチマーク,今後の方向性
• Authors: Ziwei Wang, Zhentao He, Xingyi He, Hongbin Wang, Tianwang Jia, Jingwei Luo, Siyang Li, Xiaoqing Chen, Dongrui Wu,
• Abstract要約: 脳コンピュータインタフェース(BCI)は、制限された、異質で、プライバシーに敏感なニューラル記録によって制約される。 データ不足を緩和し、モデル容量を増強する手段として、人工的だが生理学的にプラウズブルな脳信号の生成が注目に値する方法として浮上した。 既存の生成アルゴリズムを,知識ベース,特徴ベース,モデルベース,翻訳ベースという4つのタイプに分類した。
• 参考スコア（独自算出の注目度）: 16.591330718086237
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep learning has achieved transformative performance across diverse domains, largely driven by the large-scale, high-quality training data. In contrast, the development of brain-computer interfaces (BCIs) is fundamentally constrained by the limited, heterogeneous, and privacy-sensitive neural recordings. Generating synthetic yet physiologically plausible brain signals has therefore emerged as a compelling way to mitigate data scarcity and enhance model capacity. This survey provides a comprehensive review of brain signal generation for BCIs, covering methodological taxonomies, benchmark experiments, evaluation metrics, and key applications. We systematically categorize existing generative algorithms into four types: knowledge-based, feature-based, model-based, and translation-based approaches. Furthermore, we benchmark existing brain signal generation approaches across four representative BCI paradigms to provide an objective performance comparison. Finally, we discuss the potentials and challenges of current generation approaches and prospect future research on accurate, data-efficient, and privacy-aware BCI systems. The benchmark codebase is publicized at https://github.com/wzwvv/DG4BCI.
• Abstract（参考訳）: ディープラーニングは、大規模で高品質なトレーニングデータによって駆動される、さまざまな領域にわたる変革的なパフォーマンスを実現している。 対照的に、脳-コンピュータインタフェース(BCI)の開発は、制限された、異質で、プライバシーに敏感なニューラル記録によって根本的に制限されている。 そのため、人工的かつ生理学的にプラウジブルな脳信号を生成することは、データの不足を軽減し、モデル能力を高めるための魅力的な方法として現れている。 この調査は、BCIの脳信号生成の包括的なレビュー、方法論分類学、ベンチマーク実験、評価指標、および主要な応用について紹介する。 既存の生成アルゴリズムを,知識ベース,特徴ベース,モデルベース,翻訳ベースという4つのタイプに分類した。 さらに、4つの代表的なBCIパラダイムにまたがって既存の脳信号生成手法をベンチマークし、客観的な性能比較を行う。 最後に、次世代のアプローチの可能性と課題について論じ、正確、データ効率、プライバシーに配慮したBCIシステムに関する今後の研究を展望する。 ベンチマークのコードベースはhttps://github.com/wzwvv/DG4BCIで公開されている。

関連論文リスト

• A Survey on Generative Recommendation: Data, Model, and Tasks [55.36322811257545]
  ジェネレーティブ・レコメンデーションは、差別的なスコアではなく、世代としてのレコメンデーションを再認識する。 この調査は、データ、モデル、タスク次元にまたがる統合された三部構成のフレームワークを通じて包括的な調査を提供する。 世界知識の統合、自然言語理解、推論能力、スケーリング法則、創造的生成の5つの主要な利点を特定します。
  論文  参考訳（メタデータ） (2025-10-31T04:02:58Z)
• Data-driven Discovery of Digital Twins in Biomedical Research [1.1852406625172218]
  生物時系列からデジタル双生児を自動的に推定する手法について検討する。 我々は8つの生物学的・方法論的課題に応じてアルゴリズムを評価する。 我々は、革新的な事前知識の統合を可能にするディープラーニングと大規模言語モデルの出現する役割を強調します。
  論文  参考訳（メタデータ） (2025-08-29T10:10:02Z)
• Benchmarking and Evaluation of AI Models in Biology: Outcomes and Recommendations from the CZI Virtual Cells Workshop [18.00029758641004]
  我々は、AI駆動の仮想細胞のための堅牢なベンチマークの開発を加速することを目指している。 これらのベンチマークは、厳格さ、関連性、生物学的関連性を保証するために不可欠である。 これらのベンチマークは、新たな発見、治療的洞察、細胞系のより深い理解を促進する統合モデルに向けて、分野を前進させるだろう。
  論文  参考訳（メタデータ） (2025-07-14T17:25:28Z)
• AdaBrain-Bench: Benchmarking Brain Foundation Models for Brain-Computer Interface Applications [52.91583053243446]
  非侵襲的なBrain-Computer Interface(BCI)は、人間の脳を外部デバイスに接続する安全でアクセスしやすい手段を提供する。 近年,自己指導型プレトレーニングの導入により,非侵襲的BCI研究の展望が変化しつつある。 AdaBrain-Benchは、広範囲にわたる非侵襲的BCIタスクにおける脳基盤モデルを評価するための標準化されたベンチマークである。
  論文  参考訳（メタデータ） (2025-07-14T03:37:41Z)
• NeuroBench: A Framework for Benchmarking Neuromorphic Computing Algorithms and Systems [50.076028127394366]
  ニューロベンチ(NeuroBench)はニューロモルフィックコンピューティングアルゴリズムとシステムのためのベンチマークフレームワークである。 NeuroBenchは、業界や学界にまたがる研究者のオープンなコミュニティによる共同開発である。
  論文  参考訳（メタデータ） (2023-04-10T15:12:09Z)

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。