論文の概要: NeuroPath: Practically Adopting Motor Imagery Decoding through EEG Signals

• arxiv url: http://arxiv.org/abs/2604.09654v1
• Date: Mon, 30 Mar 2026 09:45:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-19 19:09:11.602662
• Title: NeuroPath: Practically Adopting Motor Imagery Decoding through EEG Signals
• Title（参考訳）: NeuroPath:脳波信号による運動画像デコーディングを実践的に採用
• Authors: Jiani Cao, Kun Wang, Yang Liu, Zhenjiang Li,
• Abstract要約: 運動画像(英: Motor Imagery、MI)は、身体の動きを身体の動きなしで想像する脳-コンピュータインタフェースのパラダイムである。 既存のソリューションのデプロイは難しいままです。 我々は、堅牢なMIデコーディングのためのニューラルネットワークであるNeuroPathを紹介する。
• 参考スコア（独自算出の注目度）: 9.371114889778058
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Motor Imagery (MI) is an emerging Brain-Computer Interface (BCI) paradigm where a person imagines body movements without physical action. By decoding scalp-recorded electroencephalography (EEG) signals, BCIs establish direct communication to control external devices, offering significant potential in prosthetics, rehabilitation, and human-computer interaction. However, existing solutions remain difficult to deploy. (i) Most employ independent, opaque models for each MI task, lacking a unified architectural foundation. Consequently, these models are trained in isolation, failing to learn robust representations from diverse datasets, resulting in modest performance. (ii) They primarily adopt fixed sensor deployment, whereas real-world setups vary in electrode number and placement, causing models to fail across configurations. (iii) Performance degrades sharply under low-SNR conditions typical of consumer-grade EEG. To address these challenges, we present NeuroPath, a neural architecture for robust MI decoding. NeuroPath takes inspiration from the brain's signal pathway from cortex to scalp, utilizing a deep neural architecture with specialized modules for signal filtering, spatial representation learning, and feature classification, enabling unified decoding. To handle varying electrode configurations, we introduce a spatially aware graph adapter accommodating different electrode numbers and placements. To enhance robustness under low-SNR conditions, NeuroPath incorporates multimodal auxiliary training to refine EEG representations and stabilize performance on noisy real-world data. Evaluations on three consumer-grade and three medical-grade public datasets demonstrate that NeuroPath achieves superior performance.
• Abstract（参考訳）: 運動画像(英: Motor Imagery、MI)は、身体の動きを身体の動きなしで想像する脳-コンピュータインタフェース(BCI)のパラダイムである。 頭皮記録脳波信号(EEG)をデコードすることで、BCIは外部デバイスを制御するための直接的なコミュニケーションを確立し、人工装具、リハビリテーション、人間とコンピュータの相互作用において大きな可能性を秘めている。 しかし、既存のソリューションはデプロイが難しいままです。 (i)ほとんどの場合、MIタスクごとに独立して不透明なモデルを採用しており、統一されたアーキテクチャ基盤が欠如しています。 その結果、これらのモデルは独立してトレーニングされ、多様なデータセットから堅牢な表現を学ばず、結果としてパフォーマンスは穏やかになる。 (ii) 主に固定センサ配置を採用するが、実際の設定は電極数や配置が異なるため、構成間でモデルがフェールする。 三 消費者の脳波に典型的な低SNR条件下では、性能が著しく低下する。 これらの課題に対処するために、堅牢なMIデコーディングのためのニューラルネットワークであるNeuroPathを提案する。 NeuroPathは、脳の皮質から頭皮への信号経路からインスピレーションを受け、信号フィルタリング、空間的表現学習、特徴分類のための特別なモジュールを備えたディープ・ニューラル・アーキテクチャを利用して、統一デコードを可能にする。 異なる電極配置を扱うために,異なる電極番号と配置を収容する空間認識グラフアダプタを導入する。 低SNR条件下での堅牢性を高めるため、NeuroPathはマルチモーダル補助訓練を導入し、脳波表現を洗練させ、ノイズの多い実世界のデータの性能を安定させる。 3つの消費者グレードと3つの医療グレードのパブリックデータセットの評価は、NeuroPathが優れたパフォーマンスを達成することを示す。

関連論文リスト

• Personalized Spiking Neural Networks with Ferroelectric Synapses for EEG Signal Processing [4.084778152234208]
  プログラム可能な強誘電体ハードウェアは、スパイクニューラルネットワークにおけるロバストで低オーバヘッド適応をサポートすることができることを示す。 その結果、プログラム可能な強誘電体ハードウェアは、スパイキングニューラルネットワークの堅牢で低オーバーヘッド適応をサポートできることが示されている。
  論文  参考訳（メタデータ） (2025-12-22T01:09:24Z)
• Uni-Neur2Img: Unified Neural Signal-Guided Image Generation, Editing, and Stylization via Diffusion Transformers [6.311754400490674]
  ニューラル信号駆動画像生成と編集のための統合フレームワークUni-Neur2Imgを提案する。 Uni-Neur2Imgは、統合され、効率的で効率的な、神経信号と視覚コンテンツ生成のためのソリューションを提供する。
  論文  参考訳（メタデータ） (2025-12-21T08:12:38Z)
• Neural Brain Fields: A NeRF-Inspired Approach for Generating Nonexistent EEG Electrodes [17.593146780326034]
  ニューラルネットワークは、NeRF方式で単一のEEGサンプルでトレーニングでき、固定サイズと情報量ベクトルを生成する。 このアプローチは、任意の解像度で脳活動の連続的な可視化を可能にすることを実証する。
  論文  参考訳（メタデータ） (2025-12-20T21:20:18Z)
• Moving Beyond Diffusion: Hierarchy-to-Hierarchy Autoregression for fMRI-to-Image Reconstruction [65.67001243986981]
  我々は,スケールワイド自己回帰モデルに基づく粗大なfMRI画像再構成フレームワークであるMindHierを提案する。 MindHierは、拡散ベースのベースラインよりも優れたセマンティック忠実さ、4.67倍高速な推論、より決定論的結果を達成する。
  論文  参考訳（メタデータ） (2025-10-25T15:40:07Z)
• NeuroRVQ: Multi-Scale EEG Tokenization for Generative Large Brainwave Models [66.91449452840318]
  我々は、コードブックベースのトークン化装置を中心としたスケーラブルな大脳波モデル(LBM)であるNeuroRVQを紹介する。 我々のトークンライザは, (i) フル周波数のニューラルスペクトルを捕捉するマルチスケール特徴抽出モジュール, (ii) 高精細符号化のための階層的残留ベクトル量子化(RVQ)コードブック, (iii) 効率的なトレーニングのためのEEG信号位相および振幅認識損失関数を統合する。 実験の結果,NeuroRVQは再建誤差を低くし,様々な下流タスクにおいて既存のLBMよりも優れることがわかった。
  論文  参考訳（メタデータ） (2025-10-15T01:26:52Z)
• CodeBrain: Towards Decoupled Interpretability and Multi-Scale Architecture for EEG Foundation Model [52.466542039411515]
  EEGファウンデーションモデル(EFM)は、タスク固有のモデルのスケーラビリティ問題に対処するために登場した。 このギャップを埋めるために設計された2段階のEMFであるCodeBrainを紹介します。 第1段階では、異種時間・周波数の脳波信号を離散トークンに分解するTFDual-Tokenizerを導入する。 第2段階では、構造化されたグローバル畳み込みとスライディングウインドウの注意を結合したマルチスケールEEGSSMアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2025-06-10T17:20:39Z)
• 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)
• RISE-iEEG: Robust to Inter-Subject Electrodes Implantation Variability iEEG Classifier [0.0]
  頭蓋内脳波(iEEG)は、臨床および脳-コンピュータインターフェースの応用にますます使われている。 本稿では, 電極内注入変動に頑健な新しいデコーダモデルを提案する。 我々はこのモデルをRISE-iEEGと呼び、このモデルはRobust to Inter-Subject Electrode implantation Variability iEEG の略である。
  論文  参考訳（メタデータ） (2024-08-12T18:33:19Z)
• Contrastive-Signal-Dependent Plasticity: Self-Supervised Learning in Spiking Neural Circuits [61.94533459151743]
  この研究は、スパイキングネットワークのシナプスを調整するための神経生物学的に動機づけられたスキームを設計することの課題に対処する。 我々の実験シミュレーションは、繰り返しスパイクネットワークを訓練する際、他の生物学的に証明可能なアプローチに対して一貫した優位性を示す。
  論文  参考訳（メタデータ） (2023-03-30T02:40:28Z)
• 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)
• GCNs-Net: A Graph Convolutional Neural Network Approach for Decoding Time-resolved EEG Motor Imagery Signals [8.19994663278877]
  グラフ畳み込みニューラルネットワーク(GCN)に基づく新しいディープラーニングフレームワークを提案し,生の脳波信号の復号性能を向上させる。 導入されたアプローチは、パーソナライズされた予測とグループ的な予測の両方に収束することが示されている。
  論文  参考訳（メタデータ） (2020-06-16T04:57:12Z)

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。