論文の概要: Cognitive Energy Modeling for Neuroadaptive Human-Machine Systems using EEG and WGAN-GP

• arxiv url: http://arxiv.org/abs/2604.01653v1
• Date: Thu, 02 Apr 2026 05:51:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-03 14:21:10.464762
• Title: Cognitive Energy Modeling for Neuroadaptive Human-Machine Systems using EEG and WGAN-GP
• Title（参考訳）: 脳波とWGAN-GPを用いたニューロアダプティブ・ヒューマン・マシンシステムの認知エネルギーモデリング
• Authors: Sriram Sattiraju, Vaibhav Gollapalli, Aryan Shah, Timothy McMahan,
• Abstract要約: 我々は,GAN生成脳波が認知状態遷移のエネルギーベースモデリングに必要な分布幾何学を維持しているかどうかを評価する。 また,SBP由来の認知エネルギーが適応型人間機械システムの制御信号として機能する枠組みを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Electroencephalography (EEG) provides a non-invasive insight into the brain's cognitive and emotional dynamics. However, modeling how these states evolve in real time and quantifying the energy required for such transitions remains a major challenge. The Schrödinger Bridge Problem (SBP) offers a principled probabilistic framework to model the most efficient evolution between the brain states, interpreted as a measure of cognitive energy cost. While generative models such as GANs have been widely used to augment EEG data, it remains unclear whether synthetic EEG preserves the underlying dynamical structure required for transition-based analysis. In this work, we address this gap by using SBP-derived transport cost as a metric to evaluate whether GAN-generated EEG retains the distributional geometry necessary for energy-based modeling of cognitive state transitions. We compare transition energies derived from real and synthetic EEG collected during Stroop tasks and demonstrate strong agreement across group and participant-level analyses. These results indicate that synthetic EEG preserves the transition structure required for SBP-based modeling, enabling its use in data-efficient neuroadaptive systems. We further present a framework in which SBP-derived cognitive energy serves as a control signal for adaptive human-machine systems, supporting real-time adjustment of system behavior in response to user cognitive and affective state.
• Abstract（参考訳）: 脳電図(EEG)は、脳の認知と感情のダイナミクスに関する非侵襲的な洞察を提供する。 しかし、これらの状態がどのようにリアルタイムで進化するかをモデル化し、そのような遷移に必要なエネルギーを定量化することは大きな課題である。 シュレーディンガー橋問題(SBP)は、認知エネルギーコストの尺度として解釈される、脳状態間の最も効率的な進化をモデル化するための原則的な確率的枠組みを提供する。 GANのような生成モデルは脳波データの増大に広く用いられているが、合成脳波が遷移解析に必要な基盤となる動的構造を保っているかどうかは不明である。 本研究では, SBP由来の輸送コストを指標として, GAN生成したEEGが認知状態遷移のエネルギーベースモデリングに必要な分布幾何学を維持しているかどうかを評価することにより, このギャップを解消する。 我々は,Stroopタスク中に収集された実脳波と合成脳波から得られる遷移エネルギーを比較し,グループレベルおよび参加者レベルの分析において強い一致を示した。 これらの結果は、合成脳波は、SBPに基づくモデリングに必要な遷移構造を保ち、データ効率のよいニューロアダプティブシステムでの使用を可能にすることを示唆している。 さらに,SBP由来の認知エネルギーが適応型ヒューマンマシンシステムの制御信号として機能し,ユーザの認知および情緒状態に応じてシステム動作のリアルタイム調整を支援する枠組みを提案する。

関連論文リスト

• EEG Emotion Classification Using an Enhanced Transformer-CNN-BiLSTM Architecture with Dual Attention Mechanisms [0.0]
  本研究では,ハイブリッドなディープラーニングアーキテクチャが脳波データの感情分類性能とロバスト性を向上させるかを検討する。 本稿では, 畳み込み特徴抽出, 双方向時間モデル, 自己保持機構と正規化戦略を組み合わせたハイブリッドモデルを提案する。
  論文  参考訳（メタデータ） (2026-02-06T06:05:53Z)
• Energy-based Autoregressive Generation for Neural Population Dynamics [12.867288040044501]
  本稿では,潜在空間における時間ダイナミクスを学習するエネルギーベースのトランスフォーマーを利用した,エネルギーベースの自己回帰生成フレームワークを提案する。 EAGは、計算効率が大幅に向上し、最先端の発電品質を達成できることを示す。 これらの結果は、神経科学研究や神経工学に応用した神経集団動態に対するエネルギーベースモデリングの有効性を示す。
  論文  参考訳（メタデータ） (2025-11-18T07:11:29Z)
• WaveMind: Towards a Conversational EEG Foundation Model Aligned to Textual and Visual Modalities [55.00677513249723]
  脳波信号は認知過程と固有の神経状態の両方を同時に符号化する。 我々は、EEG信号とその対応するモダリティを統一意味空間にマッピングし、一般化された解釈を実現する。 結果として得られたモデルは、柔軟でオープンな会話をサポートしながら、堅牢な分類精度を示す。
  論文  参考訳（メタデータ） (2025-09-26T06:21:51Z)
• Transformer-Based Decomposition of Electrodermal Activity for Real-World Mental Health Applications [0.0]
  本研究では,EDA信号分解のための知識駆動型,統計的,深層学習に基づく手法の比較分析を行った。 著者らは、Autoformerアーキテクチャから適応した新しいトランスフォーマーベースのモデルであるFeel Transformerを紹介した。 このモデルは、リアルタイム生体信号解析の可能性を示し、ストレス予測、デジタルメンタルヘルス介入、生理的予測における将来的な応用を示す。
  論文  参考訳（メタデータ） (2025-06-04T17:07:40Z)
• BrainOmni: A Brain Foundation Model for Unified EEG and MEG Signals [46.121056431476156]
  異種脳波とMEG記録を対象とする脳基礎モデルBrain Omniを提案する。 既存のアプローチは一般的に、パフォーマンスとクロスドメインのスケーラビリティを制限する、分離、モダリティ、データセット固有のモデルに依存します。 EEGの合計1,997時間、MEGデータの656時間は、事前トレーニングのために公開されているソースからキュレーションされ、標準化されている。
  論文  参考訳（メタデータ） (2025-05-18T14:07:14Z)
• 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)
• Large Cognition Model: Towards Pretrained EEG Foundation Model [0.0]
  多様な脳波データセットと下流タスクをまたいだ一般化を目的としたトランスフォーマーベース基盤モデルを提案する。 本研究は, 神経科学, パーソナライズドメディカル, およびBCI技術の進歩を促進するための, 事前学習型脳波基盤モデルの可能性を明らかにするものである。
  論文  参考訳（メタデータ） (2025-02-11T04:28:10Z)
• 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)
• Dynamic GNNs for Precise Seizure Detection and Classification from EEG Data [6.401370088497331]
  本稿では,脳波の位置と対応する脳領域のセマンティクスの相互作用を捉える動的グラフニューラルネットワーク(GNN)フレームワークであるNeuroGNNを紹介する。 実世界のデータを用いた実験により、NeuroGNNは既存の最先端モデルよりも大幅に優れていることが示された。
  論文  参考訳（メタデータ） (2024-05-08T21:36:49Z)
• CSLP-AE: A Contrastive Split-Latent Permutation Autoencoder Framework for Zero-Shot Electroencephalography Signal Conversion [49.1574468325115]
  脳波分析の鍵となる目的は、基礎となる神経活動(コンテンツ)を抽出し、個体の変動(スタイル)を考慮することである。 近年の音声変換技術の発展に触発されて,脳波変換を直接最適化するCSLP-AEフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-11-13T22:46:43Z)
• 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。