論文の概要: UniBCI: Towards a Unified Pretrained Model for Invasive Brain-Computer Interfaces
- arxiv url: http://arxiv.org/abs/2605.00061v1
- Date: Thu, 30 Apr 2026 06:30:24 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-04 17:43:28.662472
- Title: UniBCI: Towards a Unified Pretrained Model for Invasive Brain-Computer Interfaces
- Title（参考訳）: UniBCI:Invasive Brain-Computer Interfaceのための統一された事前訓練モデルを目指して
- Authors: Binjie Hong, Rui Xiong, Liyuan Han, Tielin Zhang,
- Abstract要約: 既存のアプローチでは、限られたスケールの異種データ、クロスドメインの分散シフト、トレーニング可能なニューラルネットワークの削減など、重要な課題に直面している。
本研究では、侵襲的脳インターフェイスのための統合された事前学習モデルを提案する。
結果は、UniBCIが汎用神経基盤モデルへの実践的なステップを提供することを示唆している。
- 参考スコア（独自算出の注目度）: 7.71021447675552
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Modeling invasive neural spike data is fundamental to advancing high-performance brain-computer interfaces (BCIs). However, existing approaches face critical challenges, including limited-scale heterogeneous data, cross-domain distribution shift, and the intrinsic spatiotemporal complexity of invasive neural signals. In this work, we propose UniBCI, a unified pretrained model for invasive Brain-Computer Interfaces. The model integrates three key components: (1) a context-conditioned spatio-temporal tokenization (CST) scheme that embeds neural signals together with metadata into a shared representation space; (2) a hierarchical Interval-Area Attention (IAA) mechanism that captures patterns of spike dynamics in slots via linear attention and locality dependencies via sliding-window attention; and (3) a scalable self-supervised masked signals reconstruction objective for learning generalizable neural representations from large-scale unlabeled data. We construct a pretraining corpus spanning multiple species, subjects, brain regions, and behavioral experiment paradigms. These heterogeneous recordings are standardize via our proposed unified normalization and tokenization. Comprehensive experiments demonstrate that UniBCI achieves SOTA performance across diverse downstream tasks while improving generalization. Moreover, the model achieves a strong balance between accuracy and efficiency, with fewer trainable parameters and lower inference latency. These results suggest that UniBCI provides a practical step toward general-purpose neural foundation models, enabling robust, scalable, and transferable representation learning for invasive neural data. The code for this paper is available at: https://anonymous.4open.science/r/UniBCI-C805.
- Abstract（参考訳）: 侵襲的神経スパイクデータのモデリングは、高性能脳-コンピュータインターフェース(BCI)の進化に不可欠である。
しかし、既存のアプローチでは、限られたスケールの異種データ、クロスドメイン分布シフト、侵入神経信号の固有の時空間的複雑さなど、重要な課題に直面している。
本研究では,侵入型Brain-Computer Interfaceのための統合事前学習モデルUniBCIを提案する。
本モデルでは,(1)メタデータとともにニューラルネットワークを共有表現空間に埋め込むコンテキスト条件付き時空間トークン化(CST)スキーム,(2)線形注意によるスロット内のスパイクダイナミクスのパターンの捉え方,(3)大規模未ラベルデータから一般化可能なニューラル表現を学習するためのスケーラブルな自己監督型マスマスマスキング信号再構成目的,の3つの主要な構成要素を統合する。
複数の種,被験者,脳領域,行動実験パラダイムにまたがる事前学習コーパスを構築した。
これらの異種記録は、我々の提案した統一正規化とトークン化によって標準化される。
総合的な実験により、UniBCIは、一般化を改善しつつ、様々な下流タスク間でSOTA性能を達成することを示した。
さらに、モデルの精度と効率のバランスが強く、トレーニング可能なパラメータも少なく、推論レイテンシも低い。
これらの結果は、UniBCIが汎用神経基盤モデルへの実践的なステップを提供し、侵入神経データに対する堅牢でスケーラブルで伝達可能な表現学習を可能にすることを示唆している。
本論文のコードは、https://anonymous.4open.science/r/UniBCI-C805で公開されている。
関連論文リスト
- DeeperBrain: A Neuro-Grounded EEG Foundation Model Towards Universal BCI [23.430788212164686]
DeeperBrainは、ドメイン固有の帰納バイアスをモデル設計と学習目的に統合する、神経基盤モデルである。
エンドツーエンドの微調整の下で、最先端または高い競争性能を達成する。
DeeperBrainは厳密な凍結プロブリングプロトコルの下で優れた効果を維持している。
論文 参考訳（メタデータ） (2026-01-05T05:31:45Z) - Generalizable, real-time neural decoding with hybrid state-space models [19.90083268518243]
本稿では、クロスアテンションモジュールによる個別スパイクトークン化と、再帰状態空間モデル(SSM)のバックボーンを組み合わせた、新しいハイブリッドアーキテクチャPOSSMを提案する。
サル運動タスクの皮質内復号におけるPOSSMの復号性能と推論速度を評価し,臨床応用に拡張することを示す。
これらすべてのタスクにおいて、POSSMは、最先端のトランスフォーマーに匹敵する復号精度を推論コストのごく一部で達成している。
論文 参考訳（メタデータ） (2025-06-05T17:57:08Z) - TokenUnify: Scaling Up Autoregressive Pretraining for Neuron Segmentation [65.65530016765615]
本稿では,3つの相補的な学習目標を通じて,大規模依存関係をキャプチャする階層型予測コーディングフレームワークを提案する。
TokenUnifyは、ランダムトークン予測、次のトークン予測、およびすべてのトークン予測を統合して、包括的な表現空間を作成する。
また,120億個の注釈付きボクセルを付加した大規模EMデータセットを導入し,空間連続性を持つ理想的な長周期視覚データを提供する。
論文 参考訳（メタデータ） (2024-05-27T05:45:51Z) - DiTMoS: Delving into Diverse Tiny-Model Selection on Microcontrollers [34.282971510732736]
我々は、セレクタ分類器アーキテクチャを備えた新しいDNNトレーニングおよび推論フレームワークであるDiTMoSを紹介する。
弱いモデルの合成は高い多様性を示すことができ、それらの結合は精度の上限を大幅に高めることができる。
我々は,Nucleo STM32F767ZIボード上にDiTMoSをデプロイし,人間の活動認識,キーワードスポッティング,感情認識のための時系列データセットに基づいて評価する。
論文 参考訳（メタデータ） (2024-03-14T02:11:38Z) - Predicting Infant Brain Connectivity with Federated Multi-Trajectory
GNNs using Scarce Data [54.55126643084341]
既存のディープラーニングソリューションには,3つの大きな制限がある。
我々はフェデレートグラフベースの多軌道進化ネットワークであるFedGmTE-Net++を紹介する。
フェデレーションの力を利用して、限られたデータセットを持つ多種多様な病院の地域学習を集約する。
論文 参考訳（メタデータ） (2024-01-01T10:20:01Z) - Deep Learning for real-time neural decoding of grasp [0.0]
本稿では,ニューラルネットワークの復号化のためのDeep Learningに基づく手法を提案する。
提案手法の主な目的は、これまでの神経科学知識に頼ることなく、最先端の復号精度を改善することである。
論文 参考訳（メタデータ） (2023-11-02T08:26:29Z) - Heterogenous Memory Augmented Neural Networks [84.29338268789684]
ニューラルネットワークのための新しいヘテロジニアスメモリ拡張手法を提案する。
学習可能なメモリトークンをアテンション機構付きで導入することにより、膨大な計算オーバーヘッドを伴わずに性能を効果的に向上させることができる。
In-distriion (ID) と Out-of-distriion (OOD) の両方の条件下での様々な画像およびグラフベースのタスクに対するアプローチを示す。
論文 参考訳（メタデータ） (2023-10-17T01:05:28Z) - A Generic Shared Attention Mechanism for Various Backbone Neural Networks [53.36677373145012]
自己注意モジュール(SAM)は、異なる層にまたがる強い相関した注意マップを生成する。
Dense-and-Implicit Attention (DIA)はSAMをレイヤ間で共有し、長期間のメモリモジュールを使用する。
我々のシンプルで効果的なDIAは、様々なネットワークバックボーンを一貫して拡張できます。
論文 参考訳（メタデータ） (2022-10-27T13:24:08Z) - Neural Attentive Circuits [93.95502541529115]
我々は、NAC(Neural Attentive Circuits)と呼ばれる汎用的でモジュラーなニューラルアーキテクチャを導入する。
NACは、ドメイン知識を使わずに、ニューラルネットワークモジュールのパラメータ化と疎結合を学習する。
NACは推論時に8倍のスピードアップを達成するが、性能は3%以下である。
論文 参考訳（メタデータ） (2022-10-14T18:00:07Z) - An Adaptive Contrastive Learning Model for Spike Sorting [12.043679000694258]
神経科学研究においては、個々のニューロンの活動を分離することが重要である。
大規模なシリコン技術の発展に伴い、スパイクの人工的解釈とラベル付けはますます非現実的になりつつある。
対照的な学習を通してスパイクから表現を学習する新しいモデリングフレームワークを提案する。
論文 参考訳（メタデータ） (2022-05-24T09:18:46Z) - Data-driven emergence of convolutional structure in neural networks [83.4920717252233]
識別タスクを解くニューラルネットワークが、入力から直接畳み込み構造を学習できることを示す。
データモデルを慎重に設計することにより、このパターンの出現は、入力の非ガウス的、高次局所構造によって引き起こされることを示す。
論文 参考訳（メタデータ） (2022-02-01T17:11:13Z)
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。