論文の概要: LI-DSN: A Layer-wise Interactive Dual-Stream Network for EEG Decoding

• arxiv url: http://arxiv.org/abs/2604.01889v1
• Date: Thu, 02 Apr 2026 10:52:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-03 14:21:10.691909
• Title: LI-DSN: A Layer-wise Interactive Dual-Stream Network for EEG Decoding
• Title（参考訳）: LI-DSN:脳波復号のためのレイヤワイド対話型デュアルストリームネットワーク
• Authors: Chenghao Yue, Zhiyuan Ma, Zhongye Xia, Xinche Zhang, Yisi Zhang, Xinke Shen, Sen Song,
• Abstract要約: 脳波のための現在のデュアルストリームニューラルネットワークは、しばしば平行分岐を通して時間的特徴と空間的特徴を独立に処理する。 本稿では,各層におけるプログレッシブ・クロスストリーム通信を容易にするレイヤワイド・インタラクティブなデュアルストリームネットワークであるLI-DSNを提案する。 LI-DSNは13の最先端(SOTA)ベースラインモデルを大幅に上回り、その優れた堅牢性とデコード性能を示している。
• 参考スコア（独自算出の注目度）: 7.8846145693499246
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Electroencephalography (EEG) provides a non-invasive window into brain activity, offering high temporal resolution crucial for understanding and interacting with neural processes through brain-computer interfaces (BCIs). Current dual-stream neural networks for EEG often process temporal and spatial features independently through parallel branches, delaying their integration until a final, late-stage fusion. This design inherently leads to an "information silo" problem, precluding intermediate cross-stream refinement and hindering spatial-temporal decompositions essential for full feature utilization. We propose LI-DSN, a layer-wise interactive dual-stream network that facilitates progressive, cross-stream communication at each layer, thereby overcoming the limitations of late-fusion paradigms. LI-DSN introduces a novel Temporal-Spatial Integration Attention (TSIA) mechanism, which constructs a Spatial Affinity Correlation Matrix (SACM) to capture inter-electrode spatial structural relationships and a Temporal Channel Aggregation Matrix (TCAM) to integrate cosine-gated temporal dynamics under spatial guidance. Furthermore, we employ an adaptive fusion strategy with learnable channel weights to optimize the integration of dual-stream features. Extensive experiments across eight diverse EEG datasets, encompassing motor imagery (MI) classification, emotion recognition, and steady-state visual evoked potentials (SSVEP), consistently demonstrate that LI-DSN significantly outperforms 13 state-of-the-art (SOTA) baseline models, showcasing its superior robustness and decoding performance. The code will be publicized after acceptance.
• Abstract（参考訳）: 脳波検査(EEG)は、脳の活動に非侵襲的な窓を提供し、脳-コンピュータインターフェース(BCI)を通して神経プロセスの理解と相互作用に不可欠な高時間分解能を提供する。 脳波のための現在のデュアルストリームニューラルネットワークは、しばしば時間的および空間的特徴を平行分岐を通して独立に処理し、最終的な後期融合まで統合を遅らせる。 この設計は本質的には「情報サイロ」問題につながり、中間的なクロスストリームの洗練を先取りし、完全な特徴利用に必要な時空間分解を妨げている。 LI-DSNは,各層におけるプログレッシブ・クロスストリーム通信を容易にし,遅延融合パラダイムの限界を克服する。 LI-DSNは、空間親和性相関行列(SACM)を構築して、電気的空間構造関係と時間的チャネル集約行列(TCAM)を捕捉し、空間的誘導の下でコサインゲート時間的ダイナミクスを統合する、新しいテンポラル-空間統合注意(TSIA)機構を導入する。 さらに、学習可能なチャネル重み付き適応融合戦略を用いて、デュアルストリーム機能の統合を最適化する。 運動画像(MI)分類、感情認識、定常視覚誘発電位(SSVEP)を含む8つの脳波データセットにわたる広範囲な実験は、LI-DSNが13の最先端(SOTA)ベースラインモデルを大幅に上回っており、その優れた堅牢性と復号性能を示していることを一貫して示している。 コードは受理後に公開される。

関連論文リスト

• Brain-Inspired Multimodal Spiking Neural Network for Image-Text Retrieval [79.04396446873932]
  スパイキングニューラルネットワーク(SNN)は、最近、視覚的タスクとテキストタスクに強い可能性を示している。 画像テキスト検索(ITR)のようなマルチモーダルアプリケーションのための直接訓練され、低エネルギーで高性能なSNNを構築することは、依然として非常に困難である。 我々は脳にインスパイアされたクロスモーダルスパイク・フュージョン・ネットワーク(CMSF)を提案し、初めてITRに適用した。
  論文  参考訳（メタデータ） (2026-03-25T08:41:07Z)
• OptiVote: Non-Coherent FSO Over-the-Air Majority Vote for Communication-Efficient Distributed Federated Learning in Space Data Centers [68.73273027298625]
  メガコンステレーションは、宇宙データセンター(SDC)の長期的なビジョンを推進している AirCompはフリースペース(FSO)を学習するためのネットワーク内集約フレームワーク AirVoteは符号勾配(SGD)と多数符号変調(PPM)を統合し、各衛星はPPMタイムスロットを活性化することで局所勾配を伝達する。 OptiVoteは位相依存性電場重ね合わせを位相非依存光強度結合に緩和する。
  論文  参考訳（メタデータ） (2025-12-30T16:40:02Z)
• EEGReXferNet: A Lightweight Gen-AI Framework for EEG Subspace Reconstruction via Cross-Subject Transfer Learning and Channel-Aware Embedding [2.1349209400003937]
  本稿では,クロスオブジェクトAI転送学習によるEEGサブスペース再構築のための軽量フレームワークであるEEGReXferNetを紹介する。 EEGReXferNetは、近隣チャネル間のボリューム伝導、バンド固有の畳み込み符号化、スライディングウィンドウによる動的潜在特徴抽出を採用している。
  論文  参考訳（メタデータ） (2025-10-26T02:15:25Z)
• Spiking Neural Networks with Temporal Attention-Guided Adaptive Fusion for imbalanced Multi-modal Learning [32.60363000758323]
  マルチモーダルスパイクニューラルネットワーク(SNN)のための時間的注意誘導型適応融合フレームワークを提案する。 提案フレームワークは,特に時間次元において適応的融合を実装し,マルチモーダル学習におけるモダリティの不均衡を軽減する。 本システムは,学習可能なタイムワープ操作と,ベースラインSNNよりも高速なモーダリティ収束調整により,時間的ずれを解消する。
  論文  参考訳（メタデータ） (2025-05-20T15:55:11Z)
• 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)
• ARN-LSTM: A Multi-Stream Fusion Model for Skeleton-based Action Recognition [5.86850933017833]
  ARN-LSTMアーキテクチャは、アクションシーケンスにおける空間運動と時間ダイナミクスを同時にキャプチャする課題に対処するために設計されている。 提案モデルでは, 複数ストリーム融合アーキテクチャを用いて, 関節, 動き, 時間情報を統合する。
  論文  参考訳（メタデータ） (2024-11-04T03:29:51Z)
• TCCT-Net: Two-Stream Network Architecture for Fast and Efficient Engagement Estimation via Behavioral Feature Signals [58.865901821451295]
  本稿では,新しい2ストリーム機能融合 "Tensor-Convolution and Convolution-Transformer Network" (TCCT-Net) アーキテクチャを提案する。 時間空間領域における意味のあるパターンをよりよく学習するために、ハイブリッド畳み込み変換器を統合する「CT」ストリームを設計する。 並行して、時間周波数領域からリッチなパターンを効率的に抽出するために、連続ウェーブレット変換(CWT)を用いて情報を2次元テンソル形式で表現する「TC」ストリームを導入する。
  論文  参考訳（メタデータ） (2024-04-15T06:01:48Z)
• Deeply-Coupled Convolution-Transformer with Spatial-temporal Complementary Learning for Video-based Person Re-identification [91.56939957189505]
  本稿では,高性能ビデオベース Re-ID のための新しい時空間補完学習フレームワークである Deeply-Coupled Convolution-Transformer (DCCT) を提案する。 私たちのフレームワークは、ほとんどの最先端のメソッドよりも優れたパフォーマンスを実現できます。
  論文  参考訳（メタデータ） (2023-04-27T12:16:44Z)
• TCJA-SNN: Temporal-Channel Joint Attention for Spiking Neural Networks [22.965024490694525]
  スパイキングニューラルネットワーク(SNN)は、生物学的妥当性、エネルギー効率、強力な時間情報表現能力によって、広く関心を集めている。 本稿では,TJA-SNNと呼ばれるSNNの時間・チャネル共同注意機構について述べる。 提案するTJA-SNNフレームワークは,空間次元と時間次元の両方からスパイクシーケンスの意義を効果的に評価することができる。
  論文  参考訳（メタデータ） (2022-06-21T08:16:08Z)

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。