論文の概要: WearBCI Dataset: Understanding and Benchmarking Real-World Wearable Brain-Computer Interfaces Signals

• arxiv url: http://arxiv.org/abs/2604.09649v1
• Date: Sun, 29 Mar 2026 09:27:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-19 19:09:11.598523
• Title: WearBCI Dataset: Understanding and Benchmarking Real-World Wearable Brain-Computer Interfaces Signals
• Title（参考訳）: WearBCIデータセット: 現実世界のウェアラブル脳-コンピュータインタフェース信号の理解とベンチマーク
• Authors: Haoxian Liu, Hengle Jiang, Lanxuan Hong, Xiaomin Ouyang,
• Abstract要約: WearBCIは、異なる運動力学の下でウェアラブルBCI信号を包括的に評価する最初のデータセットである。 このデータセットは、同期脳波(EEG)、慣性計測ユニット(IMU)データ、およびエゴセントリックなビデオ記録を含む。 収集したウェアラブル脳波信号を解析し、異なる条件下での運動人工物の影響を理解する。
• 参考スコア（独自算出の注目度）: 0.526647163965749
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Brain-computer interfaces (BCIs) have opened new platforms for human-computer interaction, medical diagnostics, and neurorehabilitation. Wearable BCI systems, which typically employ non-invasive electrodes for portable monitoring, hold great promise for real-world applications, but also face significant challenges of signal quality degradation caused by motion artifacts and environmental interferences. Most existing wearable BCI datasets are collected under stationary or controlled lab settings, limiting their utility for evaluating performance under body movement. To bridge this gap, we introduce WearBCI, the first dataset that comprehensively evaluates wearable BCI signals under different motion dynamics with synchronized multimodal recordings (EEG, IMU, and egocentric video), and systematic benchmark evaluations for studying impacts of motion artifact. Specifically, we collect data from 36 participants across different motion dynamics, including body movements, walking, and navigation. This dataset includes synchronized electroencephalography (EEG), inertial measurement unit (IMU) data, and egocentric video recordings. We analyze the collected wearable EEG signals to understand the impact of motion artifacts across different conditions, and benchmark representative EEG signal enhancement techniques on our dataset. Furthermore, we explore two new case studies: cross-modal EEG signal enhancement and multi-dimension human behavior understanding. These findings offer valuable insights into real-world wearable BCI deployment and new applications.
• Abstract（参考訳）: 脳-コンピュータインターフェース(BCI)は、人-コンピュータインタラクション、医療診断、神経リハビリテーションのための新しいプラットフォームを開いた。 携帯型監視に非侵襲電極を用いるウェアラブルBCIシステムは、現実のアプリケーションには大きな可能性を秘めているが、モーションアーティファクトや環境干渉による信号品質劣化の重大な課題にも直面している。 既存のウェアラブルなBCIデータセットの多くは、静止または制御されたラボ設定の下で収集され、身体の動きによるパフォーマンスを評価するための有用性を制限している。 このギャップを埋めるために、我々はWearBCIを紹介する。これは、異なる運動力学の下でウェアラブルBCI信号を同期マルチモーダル記録(EEG、IMU、エゴセントリックビデオ)で包括的に評価する最初のデータセットであり、モーションアーティファクトの影響を研究するための体系的なベンチマーク評価である。 具体的には、身体の動き、歩行、ナビゲーションなど、36人の参加者からデータを収集する。 このデータセットは、同期脳波(EEG)、慣性計測ユニット(IMU)データ、およびエゴセントリックなビデオ記録を含む。 収集したウェアラブル脳波信号を解析して、異なる条件における運動アーチファクトの影響を理解するとともに、我々のデータセットに代表される脳波信号強調手法をベンチマークする。 さらに、クロスモーダル脳波信号強調と多次元人間の行動理解という2つの新しいケーススタディについて検討する。 これらの発見は、現実世界のウェアラブルBCIデプロイメントと新しいアプリケーションに関する貴重な洞察を提供する。

関連論文リスト

• Cross-Modal Computational Model of Brain-Heart Interactions via HRV and EEG Feature [0.1631115063641726]
  ECG信号はヘッドバンドのようなウェアラブル機器で実現可能である。 本研究は,心電図由来の特徴が認知負荷の代理指標となるかどうかを考察する。
  論文  参考訳（メタデータ） (2026-01-11T07:20:30Z)
• A Novel Data Augmentation Strategy for Robust Deep Learning Classification of Biomedical Time-Series Data: Application to ECG and EEG Analysis [2.355460994057843]
  本研究では,様々な信号タイプにまたがる最先端性能を実現する,新しい統合型深層学習フレームワークを提案する。 従来の研究とは異なり、将来予測能力を達成するために信号の複雑さを科学的に増加させ、最高の予測を導いた。 アーキテクチャには130MBのメモリとプロセスが10ミリ秒で必要であり、ローエンドデバイスやウェアラブルデバイスへのデプロイに適していることを示唆している。
  論文  参考訳（メタデータ） (2025-07-16T21:38:10Z)
• 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)
• CEReBrO: Compact Encoder for Representations of Brain Oscillations Using Efficient Alternating Attention [46.47343031985037]
  交互注意(CEReBrO)を用いた脳振動の表現のための圧縮法について紹介する。 トークン化方式は、チャネルごとのパッチで脳波信号を表現します。 本研究では,チャネル内時間的ダイナミックスとチャネル間空間的相関を共同でモデル化し,通常の自己アテンションに比べて6倍少ないメモリで2倍の速度向上を実現するための注意機構を提案する。
  論文  参考訳（メタデータ） (2025-01-18T21:44:38Z)
• CognitionCapturer: Decoding Visual Stimuli From Human EEG Signal With Multimodal Information [61.1904164368732]
  脳波信号の表現にマルチモーダルデータを完全に活用する統合フレームワークであるCognitionCapturerを提案する。 具体的には、CognitionCapturerは、各モダリティに対してモダリティエキスパートを訓練し、EEGモダリティからモダリティ情報を抽出する。 このフレームワークは生成モデルの微調整を一切必要とせず、より多くのモダリティを組み込むように拡張することができる。
  論文  参考訳（メタデータ） (2024-12-13T16:27:54Z)
• Recording Brain Activity While Listening to Music Using Wearable EEG Devices Combined with Bidirectional Long Short-Term Memory Networks [1.5570182378422728]
  本研究は、音楽を聴きながら脳波信号を効率的に記録・分析することの課題に対処することを目的とする。 脳波信号処理のためのBi-LSTMネットワークとアテンション機構を組み合わせた手法を提案する。 Bi-LSTM-AttGWモデルは、SEEDデータセットで98.28%、DEAデータセットで92.46%の精度を達成した。
  論文  参考訳（メタデータ） (2024-08-22T04:32:22Z)
• Upper Limb Movement Recognition utilising EEG and EMG Signals for Rehabilitative Robotics [0.0]
  上肢運動分類のための新しい決定レベル多センサ融合手法を提案する。 システムは脳波信号をEMG信号と統合し、両方の情報源から効果的な情報を取得し、ユーザの欲求を理解し予測する。
  論文  参考訳（メタデータ） (2022-07-18T14:51:23Z)
• 2021 BEETL Competition: Advancing Transfer Learning for Subject Independence & Heterogenous EEG Data Sets [89.84774119537087]
  我々は、診断とBCI(Brain-Computer-Interface)に関する2つの伝達学習課題を設計する。 第1タスクは、患者全体にわたる自動睡眠ステージアノテーションに対処する医療診断に重点を置いている。 タスク2はBrain-Computer Interface (BCI)に集中しており、被験者とデータセットの両方にわたる運動画像のデコードに対処する。
  論文  参考訳（メタデータ） (2022-02-14T12:12:20Z)
• Few-Shot Relation Learning with Attention for EEG-based Motor Imagery Classification [11.873435088539459]
  脳波(EEG)信号に基づく脳-コンピュータインタフェース(BCI)が注目されている。 運動画像(MI)データは、リハビリテーションや自律運転のシナリオに使用することができる。 脳波に基づくBCIシステムにはMI信号の分類が不可欠である。
  論文  参考訳（メタデータ） (2020-03-03T02:34:44Z)
• EEG-based Brain-Computer Interfaces (BCIs): A Survey of Recent Studies on Signal Sensing Technologies and Computational Intelligence Approaches and their Applications [65.32004302942218]
  Brain-Computer Interface (BCI) はユーザとシステム間の強力なコミュニケーションツールである。 近年の技術進歩は、脳波(EEG)に基づく翻訳医療用BCIへの関心が高まっている。
  論文  参考訳（メタデータ） (2020-01-28T10:36:26Z)

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。