論文の概要: CFSPMNet: Cross-subject Fourier-guided Spatial-Patch Mamba Network for EEG Motor Imagery Decoding in Stroke Patients

• arxiv url: http://arxiv.org/abs/2605.10111v1
• Date: Mon, 11 May 2026 07:26:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-12 23:28:50.600405
• Title: CFSPMNet: Cross-subject Fourier-guided Spatial-Patch Mamba Network for EEG Motor Imagery Decoding in Stroke Patients
• Title（参考訳）: CFSPMNet:脳波画像デコードのためのクロスオブジェクトフーリエ誘導空間パッチマンバネットワーク
• Authors: Xiangkai Wang, Yun Zhao, Dongyi He, Qingling Xia, Gen Li, Xinlai Xing, Yuchi Pan, Bin Jiang,
• Abstract要約: 運動画像脳波(MI-EEG)デコーディングは、ストローク後のリハビリテーションに非侵襲的な経路を提供する。 CFSPMNetは、後ストロークMI-EEGを潜在神経状態組織としてモデル化した、クロス患者適応フレームワークである。 実験の結果、CFSPMNetはCNN-、Transformer-、Mamba-および適応ベースラインよりも優れていた。
• 参考スコア（独自算出の注目度）: 8.408502765008071
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Motor imagery electroencephalography (MI-EEG) decoding offers a non-invasive route for post-stroke rehabilitation, but cross-patient use remains difficult because pathological neural reorganization changes task-related EEG dynamics, aperiodic activity, local excitability, cross-regional coordination, and trial-level brain-state context. This makes source-learned MI representations unreliable for unseen patients. To address this problem, we propose CFSPMNet, a cross-patient adaptation framework that models post-stroke MI-EEG as latent neural-state organization. CFSPMNet combines a Fourier-Reorganized State Mamba Network (FRSM) with Shared-Private Prototype Matching (SPPM). FRSM represents each trial as a latent physiological token sequence, reorganizes token states in the Fourier domain, and uses Fourier-derived trial context to guide Mamba state-space propagation. SPPM improves target pseudo-label updating by combining semantic confidence with shared-private physiological consistency, filtering confident but physiologically inconsistent target predictions. Leave-one-subject-out experiments on two stroke MI-EEG datasets show that CFSPMNet outperforms representative CNN-, Transformer-, Mamba-, and adaptation-based baselines, achieving average accuracies of 68.23% on XW-Stroke and 73.33% on 2019-Stroke, with gains of 5.63 and 8.25 percentage points over the strongest competitors. Ablation, sensitivity, feature-alignment, pseudo-label selection, and neurophysiological visualization analyses further support the roles of Fourier-domain token-state reorganization and calibrated pseudo-label updating. These results suggest that latent neural-state modeling can improve rehabilitation-oriented cross-patient BCI decoding. Code is available at https://github.com/wxk1224/CFSPMNet.
• Abstract（参考訳）: 運動画像脳波デコード(MI-EEG)は、ストローク後リハビリテーションのための非侵襲的経路を提供するが、病理組織学的脳波動態、周期的活動、局所的興奮性、横断的調整、トライアルレベルの脳-状態の文脈を変えるため、横断的使用は依然として困難である。 これにより、ソースを学習したMI表現は、目に見えない患者には信頼できない。 この問題に対処するため,脳卒中後MI-EEGを潜在神経状態組織としてモデル化するクロス患者適応フレームワークであるCFSPMNetを提案する。 CFSPMNetは、Fourier-Reorganized State Mamba Network (FRSM)とShared-Private Prototype Matching (SPPM)を組み合わせている。 FRSMは、各試行を潜在生理的トークン配列として表現し、フーリエ領域のトークン状態を再編成し、フーリエ由来の試行コンテキストを用いてマンバ状態空間の伝播を誘導する。 SPPMは、意味的信頼度と共有プライベートな生理的整合性を組み合わせることで、ターゲットの擬似ラベル更新を改善し、信頼性をフィルタリングするが、生理学的に矛盾するターゲット予測をフィルタリングする。 2つのストロークMI-EEGデータセットにおいて、CFSPMNetはCNN-、Transformer-、Mamba-、Adaptive-based baselinesより優れており、2019-Strokeでは平均68.23%、XW-Strokeでは73.33%、最強のコンペティターより5.63ポイント、8.25ポイント向上している。 アブレーション、感度、特徴調整、擬似ラベル選択、神経生理学的可視化分析は、フーリエドメインのトークン状態の再編成とキャリブレーションされた擬似ラベル更新の役割をさらにサポートする。 これらの結果から、潜在神経状態モデリングはリハビリテーション指向の患者間BCIデコードを改善することが示唆された。 コードはhttps://github.com/wxk1224/CFSPMNetで入手できる。

関連論文リスト

• PA-TCNet: Pathology-Aware Temporal Calibration with Physiology-Guided Target Refinement for Cross-Subject Motor Imagery EEG Decoding in Stroke Patients [8.689565360500653]
  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。
  論文  参考訳（メタデータ） (2026-04-17T07:55:30Z)
• MedMamba: Recasting Mamba for Medical Time Series Classification [6.852021597208217]
  心電図(ECG)や脳電図(EEG)などの医療時系列は、複雑な時間的ダイナミクスを示す。 本稿では,医療時系列分類に適した,原理駆動型多方向性状態空間アーキテクチャであるMedMambaを提案する。 我々の設計は、空間集中化、多時間的時間的構成、非因果的文脈依存という、生理的信号の3つの重要な帰納的バイアスによって導かれる。
  論文  参考訳（メタデータ） (2026-04-17T01:20:02Z)
• CardiacMamba: A Multimodal RGB-RF Fusion Framework with State Space Models for Remote Physiological Measurement [24.511384674989223]
  遠隔光麻痺(rPl)による心拍数(HR)推定は、健康モニタリングに非侵襲的な解決策を提供する。 従来の単一モダリティアプローチ(RGBまたはRF)は、照明のバリエーション、モーションアーティファクト、皮膚のトーンバイアスによるロバストさと精度のバランスをとる上で、課題に直面している。 両モードの相補的強度を利用するマルチモーダルRGB-RF融合フレームワークであるCardiacMambaを提案する。
  論文  参考訳（メタデータ） (2025-02-19T11:00:34Z)
• Deep-Unrolling Multidimensional Harmonic Retrieval Algorithms on Neuromorphic Hardware [78.17783007774295]
  本稿では,高精度かつエネルギー効率の高い単発多次元高調波検索のための変換に基づくニューロモルフィックアルゴリズムの可能性について検討する。 複雑な値の畳み込み層と活性化をスパイクニューラルネットワーク(SNN)に変換する新しい手法を開発した。 変換されたSNNは、元のCNNに比べて性能が低下し、ほぼ5倍の電力効率を実現している。
  論文  参考訳（メタデータ） (2024-12-05T09:41:33Z)
• PseudoNeg-MAE: Self-Supervised Point Cloud Learning using Conditional Pseudo-Negative Embeddings [55.55445978692678]
  PseudoNeg-MAEは、ポイントクラウドマスマスキングオートエンコーダのグローバルな特徴表現を強化する。 本研究では,ネットワークが識別的表現を保ちながら,よりリッチな変換キューをキャプチャできる新たな損失を提案する。
  論文  参考訳（メタデータ） (2024-09-24T07:57:21Z)
• Convolutional Monge Mapping Normalization for learning on sleep data [63.22081662149488]
  我々は、CMMN(Convolutional Monge Mapping Normalization)と呼ばれる新しい手法を提案する。 CMMNは、そのパワースペクトル密度(PSD)をトレーニングデータに基づいて推定されるワッサーシュタインバリセンタに適応させるために、信号をフィルタリングする。 睡眠脳波データに関する数値実験により、CMMNはニューラルネットワークアーキテクチャから独立して、顕著で一貫したパフォーマンス向上をもたらすことが示された。
  論文  参考訳（メタデータ） (2023-05-30T08:24:01Z)
• Reliable Joint Segmentation of Retinal Edema Lesions in OCT Images [55.83984261827332]
  本稿では,信頼性の高いマルチスケールウェーブレットエンハンストランスネットワークを提案する。 本研究では,ウェーブレット型特徴抽出器ネットワークとマルチスケール変圧器モジュールを統合したセグメンテーションバックボーンを開発した。 提案手法は,他の最先端セグメンテーション手法と比較して信頼性の高いセグメンテーション精度を実現する。
  論文  参考訳（メタデータ） (2022-12-01T07:32:56Z)
• MRNet: a Multi-scale Residual Network for EEG-based Sleep Staging [5.141687309207561]
  マルチスケール機能融合モデルと逐次補正アルゴリズムを統合し,データ駆動型スリープステージングのためのMRNetと呼ばれる新しいフレームワークを提案する。 EEG信号は、深い機能の表現に影響を与えるネットワーク伝播におけるかなりの詳細な情報を失う。 実験結果は,提案手法の精度とf1得点の両方における競合性能を示す。
  論文  参考訳（メタデータ） (2021-01-07T13:48:30Z)
• Combining Scatter Transform and Deep Neural Networks for Multilabel Electrocardiogram Signal Classification [0.6117371161379209]
  我々は、深い残留ニューラルネットワーク(ResNet)に、散乱変換と呼ばれる複素ウェーブレット変換の変種を組み込む。 このアプローチでは、挑戦検証スコアが0.640、完全テストスコアが0.485となり、公式ランキングで41中4位になった。
  論文  参考訳（メタデータ） (2020-10-15T10:13:31Z)

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。