論文の概要: Bridging scalp and intracranial EEG in BCI via pretrained neural representations and geometric constraint embedding
- arxiv url: http://arxiv.org/abs/2604.14202v1
- Date: Fri, 03 Apr 2026 12:54:50 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-19 19:09:11.715186
- Title: Bridging scalp and intracranial EEG in BCI via pretrained neural representations and geometric constraint embedding
- Title（参考訳）: トレーニング済み神経表現と幾何学的制約埋め込みによるBCIの頭蓋内脳波と頭蓋内脳波の架橋
- Authors: Yihang Dong, Changhong Jing, Shuqiang Wang,
- Abstract要約: 脳波信号は頭蓋内脳波(iEEG)に比べて信号対雑音比と局所空間分解能において著しく劣る。
本研究では、EEG-iEEG表現強化のための統合されたデータおよび事前知識駆動型フレームワークを提案する。
- 参考スコア（独自算出の注目度）: 10.887022781541143
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Electroencephalography (EEG) has become one of the key modalities underpinning brain-computer interfaces (BCIs) due to its high temporal resolution, rapid responsiveness, non-invasiveness, low cost, and portability. However, EEG signals are substantially inferior to intracranial EEG (iEEG) in signal-to-noise ratio and local spatial resolution, whereas iEEG suffers from extremely limited clinical accessibility owing to its invasive nature, hindering widespread application. To address this challenge, this study proposes a unified data-and prior knowledge-driven framework for EEG-iEEG representational enhancement. Guided by the principle that "geometric structure dictates function", the framework maps static cortical anatomy onto dynamic constraints governing neural signal propagation and integrates general-purpose neural representations extracted by a pre-trained large EEG model to explicitly model signal transmission through the brain. Enhanced EEG signals are then synthesized via a multidimensional representation diffusion process. Numerous experimental results demonstrate that the generated enhanced EEG signals effectively recover the neural activity patterns lost during propagation through the brain. This finding indicates that the performance ceiling of BCIs is constrained not only by acquisition hardware but also by the depth to which the generative model resolves the mechanisms of neural signal propagation. Collectively, the proposed framework provides a viable pathway toward acquiring high-fidelity neural signals at low cost.
- Abstract（参考訳）: 脳波検査(EEG)は、高時間分解能、迅速な応答性、非侵襲性、低コスト、ポータビリティにより、脳-コンピュータインターフェース(BCI)を支える重要な要素の1つとなっている。
しかし、脳波信号は信号-雑音比と局所空間分解能において頭蓋内脳波 (iEEG) よりも著しく劣っているのに対し、iEEGは侵襲的な性質のため、非常に限定的な臨床アクセシビリティに悩まされており、広範囲の応用を妨げる。
そこで本研究では,EEG-iEEG表現強化のためのデータおよび事前知識駆動型統合フレームワークを提案する。
このフレームワークは「幾何学的構造が関数を規定する」という原則によって導かれ、静的皮質解剖学を神経信号伝達を規定する動的制約にマッピングし、事前訓練された大きな脳波モデルによって抽出された汎用神経表現を統合して、脳内の信号伝達を明示的にモデル化する。
強化された脳波信号は多次元表現拡散過程によって合成される。
多くの実験結果から、生成された脳波信号は、脳内の伝播中に失われた神経活動パターンを効果的に回復することが示された。
この結果は,BCIの性能天井は,取得ハードウェアだけでなく,生成モデルが神経信号伝達のメカニズムを解明する深さにも制約されていることを示している。
提案するフレームワークは,高忠実度ニューラルネットワークを低コストで取得するための有効な経路を提供する。
関連論文リスト
- Non-Invasive Reconstruction of Intracranial EEG Across the Deep Temporal Lobe from Scalp EEG based on Conditional Normalizing Flow [17.36783858767335]
非侵襲性頭皮脳波(sEEG)は神経科学および臨床診断に重要である。
NeuroFlowNetは、sEEG信号を用いて、深部側頭葉領域全体から初めてiEEG信号の再構成に寄与する、新しいクロスモーダルな生成フレームワークである。
論文 参考訳（メタデータ） (2026-02-27T05:54:48Z) - Brain-Gen: Towards Interpreting Neural Signals for Stimulus Reconstruction Using Transformers and Latent Diffusion Models [1.479639149658596]
脳波記録から観察された視覚刺激に関連する空間的時間的表現を抽出する枠組みを提案する。
我々の研究は、脳波信号の一般化可能な意味解釈に向けた重要な一歩である。
論文 参考訳（メタデータ） (2025-12-21T18:20:21Z) - 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) - BrainStratify: Coarse-to-Fine Disentanglement of Intracranial Neural Dynamics [8.36470471250669]
ニューラルアクティビティから直接音声をデコードすることは、脳-コンピュータインターフェース(BCI)研究における中心的な目標である。
近年、脳内野電位記録(SEEG)やECoG(ElectroCorticoGraphy)など、頭蓋内野電位記録(intracranial field potential recordings)の利用により、エキサイティングな進歩がなされている。
i)タスク関連神経信号はsEEG電極に分散し、(ii)タスク関連神経信号をsEEGとECoの両方で絡み合うことが多い。
論文 参考訳（メタデータ） (2025-05-26T19:36:39Z) - 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) - 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) - EEGDiR: Electroencephalogram denoising network for temporal information storage and global modeling through Retentive Network [11.491355463353731]
我々はRetnetを自然言語処理から脳波分解まで導入する。
Retnetの脳波への直接的適用は脳波信号の1次元の性質のため不可能である。
本稿では,1次元の脳波信号を2次元に変換してネットワーク入力として用いる信号埋め込み手法を提案する。
論文 参考訳（メタデータ） (2024-03-20T15:04:21Z) - A Knowledge-Driven Cross-view Contrastive Learning for EEG
Representation [48.85731427874065]
本稿では,限られたラベルを持つ脳波から効果的な表現を抽出する知識駆動型クロスビューコントラスト学習フレームワーク(KDC2)を提案する。
KDC2法は脳波信号の頭皮と神経のビューを生成し、脳活動の内部および外部の表現をシミュレートする。
ニューラル情報整合性理論に基づく事前のニューラル知識をモデル化することにより、提案手法は不変かつ相補的なニューラル知識を抽出し、複合表現を生成する。
論文 参考訳（メタデータ） (2023-09-21T08:53:51Z) - 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) - Attention-based Graph ResNet for Motor Intent Detection from Raw EEG
signals [8.775745069873558]
前回の研究では、脳波(EEG)信号は脳波電極のトポロジカルな関係を考慮していない。
グラフ畳み込みニューラルネットワーク(GCN: Graph Convolutional Neural Network)の新たな構造である、注意に基づくグラフ残差ネットワークが、人間の運動意図を検出するために提示された。
生の脳波運動画像における深部ネットワークに関する劣化問題に対処するために, フルアテンションアーキテクチャによる深部学習を導入した。
論文 参考訳（メタデータ） (2020-06-25T09:29:48Z)
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。