論文の概要: PA-TCNet: Pathology-Aware Temporal Calibration with Physiology-Guided Target Refinement for Cross-Subject Motor Imagery EEG Decoding in Stroke Patients
- arxiv url: http://arxiv.org/abs/2604.16554v1
- Date: Fri, 17 Apr 2026 07:55:30 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-21 21:52:52.069045
- Title: PA-TCNet: Pathology-Aware Temporal Calibration with Physiology-Guided Target Refinement for Cross-Subject Motor Imagery EEG Decoding in Stroke Patients
- Title（参考訳）: PA-TCNet : ストローク患者におけるクロスオブジェクト運動画像脳波復号のための生理誘導型ターゲットリファインメントを用いた病的時間校正
- Authors: Xiangkai Wang, Yun Zhao, Dongyi He, Qingling Xia, Gen Li, Nizhuan Wang, Ningxiao Peng, Bin Jiang,
- Abstract要約: ストローク患者のクロスオブジェクト脳波(EEG)復号は運動回復に不可欠である。
既存の手法は、病理的なスロー波活動と不安定なターゲットドメインの擬似ラベルによって容易に誤解される。
そこで我々は,脳卒中復号のための生理誘導型ターゲットリファインメントを用いた病的時間校正フレームワークPA-TCNetを提案する。
- 参考スコア（独自算出の注目度）: 8.689565360500653
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Stroke patient cross-subject electroencephalography (EEG) decoding of motor imagery (MI) brain-computer interface (BCI) is essential for motor rehabilitation, yet lesion-related abnormal temporal dynamics and pronounced inter-patient heterogeneity often undermine generalization. Existing adaptation methods are easily misled by pathological slow-wave activity and unstable target-domain pseudo-labels. To address this challenge, we propose PA-TCNet, a pathology-aware temporal calibration framework with physiology-guided target refinement for stroke motor imagery decoding. PA-TCNet integrates two coordinated components. The Pathology-aware Rhythmic State Mamba (PRSM) module decomposes EEG spatiotemporal features into slowly varying rhythmic context and fast transient perturbations, injecting the fused pathological context into selective state propagation to more effectively capture abnormal temporal dynamics. The Physiology-Guided Target Calibration (PGTC) module constructs source-domain sensorimotor region-of-interest templates, imposing physiological consistency constraints and dynamically refining target-domain pseudo-labels, thereby improving adaptation reliability. Leave-one-subject-out experiments on two independent stroke EEG datasets, XW-Stroke and 2019-Stroke, yielded mean accuracies of 66.56\% and 72.75\%, respectively, outperforming state-of-the-art baselines. These results indicate that jointly modeling pathological temporal dynamics and physiology-constrained pseudo-supervision can provide more robust cross-subject initialization for personalized post-stroke MI-BCI rehabilitation. The implemented code is available at https://github.com/wxk1224/PA-TCNet.
- Abstract（参考訳）: 運動再生には脳-コンピュータインターフェース(BCI)の脳波デコード(EEG)が不可欠であるが, 病変関連時間動態や患者間不均一性の顕著さは, 一般化を損なうことがしばしばある。
既存の適応法は、病理的なスロー波活動と不安定なターゲットドメインの擬似ラベルによって容易に誤解される。
この課題に対処するため,脳卒中運動画像復号のための生理誘導型目標補正機能を備えた病的時間校正フレームワークPA-TCNetを提案する。
PA-TCNetは2つの調整されたコンポーネントを統合する。
The Pathology-aware Rhythmic State Mamba (PRSM) Modules of EEG spatiotemporal features decomposes slow variant rhythmic context and fast transient perturbation, injecting the fused pathological context into elect state propagation to more effective capture unusual temporal dynamics。
The Physiological-Guided Target Calibration (PGTC) Modules constructs source-domain Sensorimotor region-of-interest templates, imposing physiological consistency constraints and in dynamic refining target-domain pseudo-labels。
XW-Stroke(英語版)と2019-Stroke(英語版)の2つの独立した脳卒中脳波データセットの残射実験では、それぞれ66.56\%と72.75\%の平均精度が、最先端のベースラインを上回った。
これらの結果は, 病的時間動態と生理的制約のある擬似スーパービジョンを併用して, パーソナライズされたMI-BCIリハビリテーションにおいて, より堅牢なクロスオブジェクト初期化を実現できることを示唆している。
実装されたコードはhttps://github.com/wxk1224/PA-TCNetで入手できる。
関連論文リスト
- BEAT-Net: Injecting Biomimetic Spatio-Temporal Priors for Interpretable ECG Classification [1.3909285316906435]
BEAT-NetはTokenizationフレームワークを用いたバイオミメティックECG分析である。
局所的なビート形態を抽出する特殊なエンコーダによって心臓生理を分解する。
例外的なデータ効率を示し、注釈付きデータの30～35%しか使用せずに、完全に教師付きのパフォーマンスを回復する。
論文 参考訳（メタデータ） (2026-01-12T08:37:47Z) - ECG-RAMBA: Zero-Shot ECG Generalization by Morphology-Rhythm Disentanglement and Long-Range Modeling [0.6875312133832079]
ECG-RAMBAは、形態学とリズムを分離し、文脈認識融合を通じてそれらを再統合するフレームワークである。
PTB-XLで一貫したクロスデータセット性能を示す。
論文 参考訳（メタデータ） (2025-12-29T10:14:52Z) - PHASE-Net: Physics-Grounded Harmonic Attention System for Efficient Remote Photoplethysmography Measurement [63.007237197267834]
既存のディープラーニング手法は、主に生理学的モニタリングであり、理論的な堅牢性を欠いている。
本研究では,Navier-Stokes方程式のヘモダイナミックスから導かれる物理インフォームド r パラダイムを提案し,パルス信号が2次系に従うことを示す。
これは、時間的円錐ネットワーク(TCN)を使用する理論的正当性を提供する。
Phase-Netは高い効率で最先端のパフォーマンスを実現し、理論上は基礎的でデプロイ可能な r ソリューションを提供する。
論文 参考訳（メタデータ） (2025-09-29T14:36:45Z) - PTSM: Physiology-aware and Task-invariant Spatio-temporal Modeling for Cross-Subject EEG Decoding [29.645617313721186]
クロスオブジェクト脳波(EEG)デコーディングは、脳-コンピュータインターフェース(BCI)研究における根本的な課題である。
本稿では,未確認領域にまたがる脳波デコーディングのための新しいフレームワークPTSMを提案する。
PTSMは、パーソナライズされた時間的パターンと共有された時間的パターンを独立して学習するデュアルブランチ機構を採用している。
論文 参考訳（メタデータ） (2025-08-15T09:51:14Z) - Physics-Embedded Neural Networks for sEMG-based Continuous Motion Estimation [3.606446851103922]
sEMGに基づく運動推定法は、しばしば、校正が難しい主観特異的筋骨格モデル(MSK)に依存する。
本稿では,解釈可能なMSKフォワード力学とデータ駆動残差学習を組み合わせた新しい物理埋め込みニューラルネットワーク(PENN)を提案する。
論文 参考訳（メタデータ） (2025-06-17T16:07:20Z) - IKrNet: A Neural Network for Detecting Specific Drug-Induced Patterns in Electrocardiograms Amidst Physiological Variability [2.017627917643174]
本研究は、特定の生理的条件下での心電図における薬物特異的パターンを識別する新しいニューラルネットワークモデルであるIKrNetを紹介する。
IKrNetのアーキテクチャは、空間的特徴を捉えるために、様々な受容野サイズを持つ畳み込みバックボーンを使用することによって、空間的および時間的ダイナミクスを取り入れている。
IKrNetは、様々な生理的条件下での最先端モデルの精度と安定性に優れており、その臨床的生存性を裏付けている。
論文 参考訳（メタデータ） (2025-05-12T13:14:47Z) - PhysLLM: Harnessing Large Language Models for Cross-Modal Remote Physiological Sensing [49.243031514520794]
LLM(Large Language Models)は、テキスト中心の設計のため、長距離信号の取得に優れる。
PhysLLMは最先端の精度とロバスト性を実現し、照明のバリエーションや動きのシナリオにまたがる優れた一般化を示す。
論文 参考訳（メタデータ） (2025-05-06T15:18:38Z) - REST: Efficient and Accelerated EEG Seizure Analysis through Residual State Updates [54.96885726053036]
本稿では,リアルタイム脳波信号解析のための新しいグラフベース残状態更新機構(REST)を提案する。
グラフニューラルネットワークとリカレント構造の組み合わせを活用することで、RESTは、非ユークリッド幾何学とEEGデータ内の時間的依存関係の両方を効率的にキャプチャする。
本モデルは,発作検出と分類作業において高い精度を示す。
論文 参考訳（メタデータ） (2024-06-03T16:30:19Z) - Interpretable Spatio-Temporal Embedding for Brain Structural-Effective Network with Ordinary Differential Equation [56.34634121544929]
本研究では,まず動的因果モデルを用いて脳効果ネットワークを構築する。
次に、STE-ODE(Spatio-Temporal Embedding ODE)と呼ばれる解釈可能なグラフ学習フレームワークを導入する。
このフレームワークは、構造的および効果的なネットワーク間の動的相互作用を捉えることを目的とした、特異的に設計されたノード埋め込み層を含んでいる。
論文 参考訳（メタデータ） (2024-05-21T20:37:07Z) - 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)
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。