論文の概要: EEG-MFTNet: An Enhanced EEGNet Architecture with Multi-Scale Temporal Convolutions and Transformer Fusion for Cross-Session Motor Imagery Decoding

• arxiv url: http://arxiv.org/abs/2604.05843v1
• Date: Tue, 07 Apr 2026 13:10:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-08 17:42:09.840799
• Title: EEG-MFTNet: An Enhanced EEGNet Architecture with Multi-Scale Temporal Convolutions and Transformer Fusion for Cross-Session Motor Imagery Decoding
• Title（参考訳）: EEG-MFTNet:クロスセッションモータ画像復号のためのマルチスケールテンポラル畳み込みとトランスフォーマー融合による拡張EEGNetアーキテクチャ
• Authors: Panagiotis Andrikopoulos, Siamak Mehrkanoon,
• Abstract要約: 脳波(EEG)からの運動画像(MI)復号は、ノイズと断続的変動のため、依然として困難である。 本稿では,EEGNetアーキテクチャに基づく新しいディープラーニングモデルであるEEG-MFTNetを紹介する。 EEG-MFTNetは計算複雑性と推論遅延を低く保ちながら、平均分類精度58.9%を達成する。
• 参考スコア（独自算出の注目度）: 2.0912407740405903
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Brain-computer interfaces (BCIs) enable direct communication between the brain and external devices, providing critical support for individuals with motor impairments. However, accurate motor imagery (MI) decoding from electroencephalography (EEG) remains challenging due to noise and cross-session variability. This study introduces EEG-MFTNet, a novel deep learning model based on the EEGNet architecture, enhanced with multi-scale temporal convolutions and a Transformer encoder stream. These components are designed to capture both short and long-range temporal dependencies in EEG signals. The model is evaluated on the SHU dataset using a subject-dependent cross-session setup, outperforming baseline models, including EEGNet and its recent derivatives. EEG-MFTNet achieves an average classification accuracy of 58.9% while maintaining low computational complexity and inference latency. The results highlight the model's potential for real-time BCI applications and underscore the importance of architectural innovations in improving MI decoding. This work contributes to the development of more robust and adaptive BCI systems, with implications for assistive technologies and neurorehabilitation.
• Abstract（参考訳）: 脳-コンピュータインターフェース(BCI)は、脳と外部デバイス間の直接通信を可能にし、運動障害を持つ個人に対して重要な支援を提供する。 しかし,脳波(EEG)からの正確な運動画像(MI)復号は,ノイズやクロスセッションのばらつきにより依然として困難である。 本研究では,マルチスケールの時間畳み込みとトランスフォーマーエンコーダストリームによって強化された,EEG-MFTNetアーキテクチャに基づく新しいディープラーニングモデルであるEEG-MFTNetを紹介する。 これらのコンポーネントは、EEG信号における短い時間的依存と長距離の時間的依存の両方をキャプチャするように設計されている。 このモデルは、主題依存のクロスセッション設定を用いてSHUデータセット上で評価され、EEGNetとその最近のデリバティブを含むベースラインモデルより優れている。 EEG-MFTNetは計算複雑性と推論遅延を低く保ちながら、平均分類精度58.9%を達成する。 この結果は、リアルタイムBCIアプリケーションに対するモデルの可能性を強調し、MIデコーディングの改善におけるアーキテクチャ革新の重要性を浮き彫りにしている。 この研究は、より堅牢で適応的なBCIシステムの開発に寄与し、補助技術や神経リハビリテーションに寄与する。

関連論文リスト

• Motor Imagery EEG Signal Classification Using Minimally Random Convolutional Kernel Transform and Hybrid Deep Learning [0.0]
  例えば、運動画像脳-コンピュータインターフェース(MI-BCI)を通じて測定された特定の認知タスクや運動タスクに関連する隠されたパターンを処理し、理解することが重要である。 運動画像に基づく脳波(MI-EEG)タスクの分類によって重要な課題が提示される。 本稿では、最小ランダム畳み込みカーネル変換(MiniRocket)により特徴を効率的に抽出する脳波信号の分類法を提案する。
  論文  参考訳（メタデータ） (2025-08-22T07:55:10Z)
• EEG-DCNet: A Fast and Accurate MI-EEG Dilated CNN Classification Method [10.791605945979995]
  EEG-Dilated Convolution Network (DCNet) と呼ばれる新しいマルチスケールアラス畳み込みニューラルネットワーク(CNN)モデルを提案する。 我々は1時間1ドルの畳み込み層を組み込み、EEG-DCNetのマルチブランチ並列アラス畳み込みアーキテクチャを利用する。 本稿では,EEG-DCNetが既存のSOTA(State-of-the-art)アプローチよりも,分類精度とKappaスコアの点で優れていることを示す。
  論文  参考訳（メタデータ） (2024-11-12T09:47:50Z)
• Neuromorphic Wireless Split Computing with Multi-Level Spikes [69.73249913506042]
  ニューロモルフィックコンピューティングは、スパイキングニューラルネットワーク(SNN)を使用して推論タスクを実行する。 スパイクニューロン間で交換される各スパイクに小さなペイロードを埋め込むことで、エネルギー消費を増大させることなく推論精度を高めることができる。 分割コンピューティング — SNNを2つのデバイスに分割する — は、有望なソリューションだ。 本稿では,マルチレベルSNNを用いたニューロモルフィック無線分割コンピューティングアーキテクチャの総合的研究について述べる。
  論文  参考訳（メタデータ） (2024-11-07T14:08:35Z)
• EEGEncoder: Advancing BCI with Transformer-Based Motor Imagery Classification [11.687193535939798]
  脳-コンピュータインタフェース(BCI)は、脳波信号を用いてデバイスを直接神経制御する。 脳波に基づく運動画像(MI)分類のための従来の機械学習手法は、手動の特徴抽出やノイズに対する感受性といった課題に遭遇する。 本稿では,これらの制限を克服するために改良型トランスフォーマーとTCNを用いたディープラーニングフレームワークであるEEGEncoderを紹介する。
  論文  参考訳（メタデータ） (2024-04-23T09:51:24Z)
• vEEGNet: learning latent representations to reconstruct EEG raw data via variational autoencoders [3.031375888004876]
  本稿では,2つのモジュールを持つDLアーキテクチャであるvEEGNetを提案する。つまり,データの潜在表現を抽出する変分オートエンコーダに基づく教師なしモジュールと,フィードフォワードニューラルネットワークに基づく教師付きモジュールにより異なる動作を分類する。 我々は最先端の分類性能を示し、生の脳波の低周波成分と中周波成分の両方を再構成する能力を示した。
  論文  参考訳（メタデータ） (2023-11-16T19:24:40Z)
• FingerFlex: Inferring Finger Trajectories from ECoG signals [68.8204255655161]
  FingerFlexモデル(FingerFlex model)は、脳波(ECoG)データに対する指の動きの回帰に適応した畳み込みエンコーダ・デコーダアーキテクチャである。 実測軌道と予測軌道の相関係数が最大0.74であるBCIコンペティションIVデータセット4で最先端の性能が達成された。
  論文  参考訳（メタデータ） (2022-10-23T16:26:01Z)
• EEG-ITNet: An Explainable Inception Temporal Convolutional Network for Motor Imagery Classification [0.5616884466478884]
  我々はEEG-ITNetと呼ばれるエンドツーエンドのディープラーニングアーキテクチャを提案する。 本モデルでは,多チャンネル脳波信号からスペクトル,空間,時間情報を抽出することができる。 EEG-ITNetは、異なるシナリオにおける分類精度を最大5.9%改善する。
  論文  参考訳（メタデータ） (2022-04-14T13:18:43Z)
• EEG-Inception: An Accurate and Robust End-to-End Neural Network for EEG-based Motor Imagery Classification [123.93460670568554]
  本稿では,脳波に基づく運動画像(MI)分類のための新しい畳み込みニューラルネットワーク(CNN)アーキテクチャを提案する。 提案したCNNモデル、すなわちEEG-Inceptionは、Inception-Timeネットワークのバックボーン上に構築されている。 提案するネットワークは、生のEEG信号を入力とし、複雑なEEG信号前処理を必要としないため、エンドツーエンドの分類である。
  論文  参考訳（メタデータ） (2021-01-24T19:03:10Z)

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。