論文の概要: Interpretable Fuzzy Modeling Reveals Population-Level Representation Differences in P300 Brain Computer Interfaces Across Neurodivergent and Neurotypical Cohorts

• arxiv url: http://arxiv.org/abs/2604.24765v1
• Date: Sat, 04 Apr 2026 03:15:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-04 02:32:14.208781
• Title: Interpretable Fuzzy Modeling Reveals Population-Level Representation Differences in P300 Brain Computer Interfaces Across Neurodivergent and Neurotypical Cohorts
• Title（参考訳）: ニューロディバージェントとニューロタイプコホート間のP300脳コンピュータインタフェースにおける集団レベル表現の解釈可能なファジィモデリング
• Authors: Xiaowei Jiang, Sudong Shang, Adrian Wilkinson, Michael L. Platt, Da Xiao, Bening Cao, Thomas Do,
• Abstract要約: P300ベースの脳-コンピュータインタフェース(BCI)はコミュニケーションに広く用いられているが、人口の不均一性はデコードで利用可能な神経パターンを変化させる可能性がある。 本研究では、筋萎縮性側索硬化症(ALS)、自閉症(AUT)、神経型(NT)コホート間の集団レベルの差異を解析するためのP300用ファジィ表現フレームワークを提案する。 実験は、BigP3BCIのALSおよびNTサブセットとBCIAUT-P300ベンチマークで実施した。
• 参考スコア（独自算出の注目度）: 5.1112215475131
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: P300-based brain-computer interfaces (BCIs) are widely used for communication, but population heterogeneity may alter the neural patterns available for decoding. Prior work has mainly examined such differences at the signal or performance level, while the representation structure learned by the decoder remains underexplored. In this study, we propose an interpretable fuzzy spatiotemporal framework for P300 classification and use it to analyze population-level differences across amyotrophic lateral sclerosis (ALS), autism (AUT), and neurotypical (NT) cohorts. The model employs spatial and temporal fuzzy filters with learnable prototypes, enabling both classification and reconstruction of cohort-specific fuzzy centers. Experiments were conducted on ALS and NT subsets from bigP3BCI and on the BCIAUT-P300 benchmark in a within-subject setting. The proposed model achieved competitive performance against multiple deep learning baselines. More importantly, the reconstructed fuzzy centers revealed systematic cohort-dependent differences in waveform morphology and representation geometry. Point-wise statistical analysis identified significant temporal differences between cohorts, including intervals overlapping with the canonical P300 window, and low-dimensional embeddings showed partially separated cohort-specific prototype organizations. These results suggest that population heterogeneity in P300-BCI is reflected not only in decoding performance but also in the discriminative structure learned by the model. The proposed framework provides an interpretable route toward population-aware P300-BCI analysis and design.
• Abstract（参考訳）: P300ベースの脳-コンピュータインタフェース(BCI)はコミュニケーションに広く用いられているが、人口の不均一性はデコードで利用可能な神経パターンを変化させる可能性がある。 従来の研究は主に信号や性能のレベルでこのような違いを調べてきたが、デコーダによって学習された表現構造は未探索のままである。 本研究では, 筋萎縮性側索硬化症 (ALS) , 自閉症 (AUT) , 神経型 (NT) コホート間の集団レベルの差異を解析するために, P300分類のための解釈可能なファジィ時空間フレームワークを提案する。 このモデルは、空間的および時間的ファジィフィルタと学習可能なプロトタイプを採用し、コホート固有のファジィセンターの分類と再構築を可能にする。 実験は、BigP3BCIのALSおよびNTサブセットとBCIAUT-P300ベンチマークで実施した。 提案モデルは,複数のディープラーニングベースラインに対する競合性能を達成した。 さらに、再構成されたファジィ中心は、波形形態と表現幾何学の体系的なコホート依存的な相違を明らかにした。 P300窓と重なり合う間隔を含むコホート間の有意な時間差をポイントワイド統計解析により同定し,コホート特異的なプロトタイプ組織を部分的に分離した。 これらの結果から, P300-BCIにおける集団の不均一性は, 復号化性能だけでなく, モデルによって学習された識別構造にも反映されていることが示唆された。 提案手法は,人口認識型P300-BCI分析・設計への解釈可能な経路を提供する。

関連論文リスト

• Prototype Learning to Create Refined Interpretable Digital Phenotypes from ECGs [0.6488018816675728]
  プロトタイプベースのニューラルネットワークは、トレーニングデータに固定された学習された代表的な信号パターンと入力を比較して解釈可能な予測を提供する。 PTB-XLデータセットを用いた多ラベルECG分類のためのプロトタイプベースディープラーニングモデルを用いる。 分類専用に訓練された個別の試作機がフェーコード形式での退院診断に関連があるかどうかを評価する。
  論文  参考訳（メタデータ） (2025-08-02T23:52:08Z)
• 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)
• Finding Interpretable Class-Specific Patterns through Efficient Neural Search [43.454121220860564]
  本稿では、データから微分パターンを抽出する、本質的に解釈可能なバイナリニューラルネットワークアーキテクチャDNAPSを提案する。 DiffNapsは何十万もの機能にスケーラブルで、ノイズに強い。 3つの生物学的応用を含む人工的および実世界のデータについて、DiffNapsは競合と異なり、常に正確で簡潔で解釈可能なクラス記述を生成する。
  論文  参考訳（メタデータ） (2023-12-07T14:09:18Z)
• Advances in Kidney Biopsy Lesion Assessment through Dense Instance Segmentation [0.3926357402982764]
  腎病理学者による病変スコアは半定量的であり、サーバ間の変動が高い。 DiffRegFormerは計算に優しいフレームワークで、3つの解剖学的クラスにわたる500以上のオブジェクトを効率的に認識できる。 我々の手法は従来の手法よりも優れており、平均精度は52.1%(検出)と46.8%(分離)である。
  論文  参考訳（メタデータ） (2023-09-29T11:59:57Z)
• Fuzzy temporal convolutional neural networks in P300-based Brain-computer interface for smart home interaction [3.726817037277484]
  脳波パターンは、ノイズによる時間的変化と不確実性を示す。 これは、スマートホームインタラクションのためのP300ベースのBrain Computer Interfaceで対処すべき重要な問題である。 脳波信号、LSTM細胞、ファジィニューラルブロック(FNB)に修飾された時間畳み込みネットワーク(TCN)の逐次統合を提案する。
  論文  参考訳（メタデータ） (2022-04-09T00:35:35Z)
• Demographic-Guided Attention in Recurrent Neural Networks for Modeling Neuropathophysiological Heterogeneity [13.172419221095252]
  人口動態誘導型注意メカニズムを用いた機能的ネットワーク差の異種パターンのモデル化を提案する。 DGAヘッドから計算されたコンテキストは、個々の人口統計情報に基づいて適切な機能ネットワークに焦点を合わせるのに役立つ。
  論文  参考訳（メタデータ） (2021-04-15T17:58:36Z)
• Deep Implicit Statistical Shape Models for 3D Medical Image Delineation [47.78425002879612]
  解剖学的構造の3次元デライン化は、医用画像解析の基本的な目標である。 ディープラーニング以前は、解剖学的制約を課し高品質の表面を作り出す統計的形状モデルはコア技術だった。 我々は,CNNの表現力とSSMの頑健さを合体させるデライン化の新しい手法であるディープ暗黙的統計的形状モデル(DISSMs)を提案する。
  論文  参考訳（メタデータ） (2021-04-07T01:15:06Z)
• G-MIND: An End-to-End Multimodal Imaging-Genetics Framework for Biomarker Identification and Disease Classification [49.53651166356737]
  診断によって誘導される画像データと遺伝データを統合し、解釈可能なバイオマーカーを提供する新しいディープニューラルネットワークアーキテクチャを提案する。 2つの機能的MRI(fMRI)パラダイムとSingle Nucleotide Polymorphism (SNP)データを含む統合失調症の集団研究で本モデルを評価した。
  論文  参考訳（メタデータ） (2021-01-27T19:28:04Z)
• LOGAN: Local Group Bias Detection by Clustering [86.38331353310114]
  コーパスレベルでバイアスを評価することは、モデルにバイアスがどのように埋め込まれているかを理解するのに十分ではない、と我々は主張する。 クラスタリングに基づく新しいバイアス検出手法であるLOGANを提案する。 毒性分類および対象分類タスクの実験は、LOGANが局所領域のバイアスを特定することを示している。
  論文  参考訳（メタデータ） (2020-10-06T16:42:51Z)
• A Systematic Approach to Featurization for Cancer Drug Sensitivity Predictions with Deep Learning [49.86828302591469]
  35,000以上のニューラルネットワークモデルをトレーニングし、一般的な成果化技術を駆使しています。 RNA-seqは128以上のサブセットであっても非常に冗長で情報的であることがわかった。
  論文  参考訳（メタデータ） (2020-04-30T20:42:17Z)

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。