論文の概要: EEG-Based Emergency Braking Intensity Prediction Using Blind Source Separation
- arxiv url: http://arxiv.org/abs/2604.18220v1
- Date: Mon, 20 Apr 2026 13:07:43 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-21 21:52:52.883676
- Title: EEG-Based Emergency Braking Intensity Prediction Using Blind Source Separation
- Title（参考訳）: ブラインド音源分離を用いた脳波による緊急ブレーキ強度予測
- Authors: Zikun Zhou, Wenshuo Wang, Wenzhuo Liu, Hui Yao, Chaopeng Zhang, Yichen Liu, Xiaonan Yang, Junqiang Xi,
- Abstract要約: 本稿では,脳波信号を独立したブラインド源の混合体としてモデル化し,ブレーキ動作と強く相関しているものを同定する新しい枠組みを提案する。
本手法は独立成分分析を用いて脳波を異なる成分に分解し、時間周波数解析とピアソン相関を組み合わせ、ブレーキ関連成分を選択する。
- 参考スコア（独自算出の注目度）: 21.093824290394977
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Electroencephalography (EEG) signals have been promising for long-term braking intensity prediction but are prone to various artifacts that limit their reliability. Here, we propose a novel framework that models EEG signals as mixtures of independent blind sources and identifies those strongly correlated with braking action. Our method employs independent component analysis to decompose EEG into different components and combines time-frequency analysis with Pearson correlations to select braking-related components. Furthermore, we utilize hierarchical clustering to group braking-related components into two clusters, each characterized by a distinct spatial pattern. Additionally, these components exhibit trial-invariant temporal patterns and demonstrate stable and common neural signatures of the emergency braking process. Using power features from these components and historical braking data, we predict braking intensity at a 200 ms horizon. Evaluations on the open source dataset (O.D.) and human-in-the-loop simulation (H.S.) show that our method outperforms state-of-the-art approaches, achieving RMSE reductions of 8.0% (O.D.) and 23.8% (H.S.).
- Abstract（参考訳）: 脳波(EEG)信号は、長期の制動強度予測に期待されているが、信頼性を制限する様々な人工物に傾向がある。
本稿では、脳波信号を独立したブラインド源の混合体としてモデル化し、ブレーキ動作と強く相関しているものを同定する新しい枠組みを提案する。
本手法では, 独立成分分析を用いて脳波を異なる成分に分解し, 時間周波数解析とピアソン相関を組み合わせ, ブレーキ関連成分を選択する。
さらに、階層的クラスタリングを用いてブレーキ関連成分を2つのクラスタに分類し、それぞれに異なる空間パターンを特徴付ける。
さらに、これらのコンポーネントは、試行不変の時間パターンを示し、緊急制動プロセスの安定かつ共通のニューラルシグネチャを示す。
これらの部品の動力特性と過去のブレーキデータを用いて200msの水平線でブレーキ強度を予測する。
オープンソースデータセット(O.D.)とHuman-in-the-loop Simulation(H.S.)の評価から,本手法は最先端の手法より優れ,RMSEの8.0%(O.D.)と23.8%(H.S.)の削減を実現している。
関連論文リスト
- Moving Beyond Functional Connectivity: Time-Series Modeling for fMRI-Based Brain Disorder Classification [8.837732238971187]
機能的磁気共鳴イメージング(fMRI)は、血液酸素レベル依存(BOLD)シグナルをキャプチャすることで、非侵襲的な脳障害の分類を可能にする。
既存のほとんどの手法はピアソン相関による機能接続(FC)に依存している。
5つの公開データセットにまたがる生のBOLD信号に関する最先端の時間モデルをベンチマークする。
論文 参考訳（メタデータ） (2026-02-09T04:42:42Z) - Learning to Separate RF Signals Under Uncertainty: Detect-Then-Separate vs. Unified Joint Models [53.79667447811139]
受信した信号に直接適用した場合、単一のディープニューラルネットワークアーキテクチャが共同で検出および分離することを学習していることを示す。
これらの結果から,UJM は DTS に代わるスケーラブルで実用的な代替品であり,広範に推定された統合分離のための新たな方向を開拓した。
論文 参考訳（メタデータ） (2026-02-04T15:25:02Z) - Physics-Guided Dual Implicit Neural Representations for Source Separation [70.38762322922211]
我々は,2つの暗黙的ニューラル表現フレームワークを用いて,ソース分離のための自己教師型機械学習手法を開発した。
本手法は,復元に基づく損失関数の最小化により,生データから直接学習する。
本手法は,様々な領域にまたがるソース分離問題に対処する汎用的なフレームワークを提供する。
論文 参考訳（メタデータ） (2025-07-07T17:56:31Z) - MVICAD2: Multi-View Independent Component Analysis with Delays and Dilations [61.59658203704757]
本稿では,時間的遅延と拡張の両面において,被験者間でソースを異にするMVICAD(Multi-View Independent Component Analysis with Delays and Dilations)を提案する。
本稿では, 正則化と最適化手法を用いて, 性能向上を図るため, 正則化と最適化手法を用いて, その可能性の近似を導出する。
論文 参考訳（メタデータ） (2025-01-13T15:47:02Z) - A Bidirectional Long Short Term Memory Approach for Infrastructure Health Monitoring Using On-board Vibration Response [0.0]
本稿では,鉄道線路の剛性などの物理パラメータを駆動バイ振動応答信号を用いて推定する深層学習手法を提案する。
提案手法は, 鉄道線路の硬さを正確に自動推定し, 騒音発生時の局所硬さ低減を推定する。
論文 参考訳（メタデータ） (2024-12-03T18:15:34Z) - Low-Frequency Load Identification using CNN-BiLSTM Attention Mechanism [0.0]
非侵入負荷モニタリング(Non-Inrusive Load Monitoring, NILM)は、効率的な電力消費管理のための確立された技術である。
本稿では,畳み込みニューラルネットワーク(CNN)と双方向長短期記憶(BILSTM)を組み合わせたハイブリッド学習手法を提案する。
CNN-BILSTMモデルは、時間的(時間的)と空間的(位置的)の両方の特徴を抽出し、アプライアンスレベルでのエネルギー消費パターンを正確に識別することができる。
論文 参考訳（メタデータ） (2023-11-14T21:02:27Z) - Novel features for the detection of bearing faults in railway vehicles [88.89591720652352]
我々は,Mel-Frequency Cepstral Coefficients (MFCCs) とAmplitude Modulation Spectrogram (AMS) から抽出した特徴を,軸受欠陥の検出のための特徴として紹介する。
論文 参考訳（メタデータ） (2023-04-14T10:09:50Z) - Spatio-temporally separable non-linear latent factor learning: an
application to somatomotor cortex fMRI data [0.0]
潜在因子の脳全体の発見が可能なfMRIデータのモデルについて検討する。
空間重み付けを効率化するための新しい手法は、データの高次元性とノイズの存在に対処するために重要である。
本手法は,複数のモーターサブタスクを用いたデータを用いて,モデルが各サブタスクに対応する非絡み合った潜在因子を捕捉するかどうかを評価する。
論文 参考訳（メタデータ） (2022-05-26T21:30:22Z) - Optimal Learning with Excitatory and Inhibitory synapses [91.3755431537592]
相関関係の存在下でアナログ信号間の関連性を保持するという課題について検討する。
ランダムな入力および出力プロセスのパワースペクトルの観点から、典型的な学習性能を特徴付ける。
論文 参考訳（メタデータ） (2020-05-25T18:25:54Z)
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。