論文の概要: nASR: An End-to-End Trainable Neural Layer for Channel-Level EEG Artifact Subspace Reconstruction in Real-Time BCI

• arxiv url: http://arxiv.org/abs/2605.14941v1
• Date: Thu, 14 May 2026 15:15:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-15 21:45:34.90518
• Title: nASR: An End-to-End Trainable Neural Layer for Channel-Level EEG Artifact Subspace Reconstruction in Real-Time BCI
• Title（参考訳）: nASR:リアルタイムBCIにおけるチャネルレベル脳波アーチファクトサブスペース再構築のためのエンドツーエンドトレーニング可能なニューラルネットワーク層
• Authors: Shantanu Sarkar, Jose L. Contreras-Vidal,
• Abstract要約: アーティファクトサブスペース再構成(Artifact Subspace Reconstruction, ASR)は、EEGベースのBCIアプリケーションにおいて最も広く使われているアーティファクトフィルタリング手法の1つである。 我々は,アーティファクトの拒絶と下流の復号化を共同で最適化する,新しいエンドツーエンドのトレーニング可能なKeras層であるnASRを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Electroencephalogram (EEG) signals are highly susceptible to artifacts, resulting in a low signal-to-noise ratio which makes extraction of meaningful neural information challenging. Artifact Subspace Reconstruction (ASR) is one of the most widely used artifact filtering techniques in EEG-based BCI applications, owing to its real-time applicability. ASR reconstructs artifact-free signals by operating in Principal Component (PC) space within sliding windows. However, ASR performance is critically sensitive to its threshold parameter - an incorrect threshold risks removing task-relevant neural features alongside artifacts. Furthermore, since PCs are linear combinations of all channels, subspace reconstruction in PC space may alter the underlying data structure, potentially discarding essential neural information. To address these limitations, we propose nASR, a novel end-to-end trainable Keras layer that jointly optimizes artifact rejection and downstream decoding. nASR introduces two trainable threshold parameters: K, which governs artifact detection in PC variance space, and L, which quantifies eigen-spread to pinpoint the primary artifact--contributing channels, enabling selective channel-level reconstruction that preserves clean channel information. An ablation study comprising five model variants (m01 - m05), evaluated across two subjects from the BCI Competition IV Dataset 1, confirms that nASR variants consistently outperform traditional ASR on test classification metrics, while achieving a 6-8x reduction in inference time, making nASR a strong candidate for real-time BCI applications demanding both low latency and high decoding performance.
• Abstract（参考訳）: 脳波(EEG)信号は人工物に非常に感受性が高く、信号と雑音の比が低く、意味のある神経情報の抽出が困難になる。 アーティファクトサブスペース再構成(Artifact Subspace Reconstruction, ASR)は、脳波ベースのBCIアプリケーションにおいて、そのリアルタイム適用性から最も広く使われているアーティファクトフィルタリング手法の1つである。 ASRは、スライドウィンドウ内の主成分(PC)空間を動作させることで、アーティファクトフリーな信号を再構成する。 しかし、ASRのパフォーマンスは、そのしきい値パラメータ(誤ったしきい値リスク)に極めて敏感である。 さらに、PCは全てのチャネルの線形結合であるため、PC空間における部分空間再構成は、基礎となるデータ構造を変更し、必須の神経情報を捨てる可能性がある。 これらの制約に対処するため、我々は、アーティファクトの拒絶と下流の復号化を共同で最適化する、新しいエンドツーエンドのトレーニング可能なKeras層であるnASRを提案する。 nASRは、PC分散空間におけるアーティファクト検出を管理するKと、プライマリアーティファクトコントリビュートチャネルをピンポイントする固有スプレッドを定量化するLの2つのトレーニング可能なしきい値パラメータを導入し、クリーンチャネル情報を保存する選択的なチャネルレベルの再構築を可能にした。 5つのモデル変種(m01 - m05)からなるアブレーション研究は、BCIコンペティションIVデータセット1の2つの被験者で評価され、nASR変種がテスト分類基準において従来のASRを一貫して上回り、推論時間の6～8倍の短縮を実現し、nASRが低レイテンシと高復号性能の両方を要求するリアルタイムBCIアプリケーションの強い候補となることを確認している。

関連論文リスト

• HIR-ALIGN: Enhancing Hyperspectral Image Restoration via Diffusion-Based Data Generation [50.46910397782266]
  ハイパスペクトル画像(HSI)の復元は、ノイズ、ぼかし、分解能損失などの劣化に悩まされるため、信頼性の高い解析に不可欠である。 本稿では,HIR-ALIGNを提案する。HIR-ALIGNは,限られたトレーニング画像と,ターゲット分布と密に一致した合成データとを付加して,ハイパースペクトル画像の復元を促進するための,プラグアンドプレイのターゲット適応型拡張フレームワークである。
  論文  参考訳（メタデータ） (2026-05-13T14:14:13Z)
• Adaptive Training of INRs via Pruning and Densification [6.759337697337581]
  本稿では、最適化の過程で暗黙的な神経表現を洗練させる適応的なトレーニングスキームであるAIReを紹介する。 提案手法では,表現能力を向上させるために,ニューロンプルーニング機構を用いて冗長性と入力周波数密度化を回避する。 コードと事前訓練されたモデルは、パブリック使用のためにリリースされる。
  論文  参考訳（メタデータ） (2025-10-27T23:52:46Z)
• EEGReXferNet: A Lightweight Gen-AI Framework for EEG Subspace Reconstruction via Cross-Subject Transfer Learning and Channel-Aware Embedding [2.1349209400003937]
  本稿では,クロスオブジェクトAI転送学習によるEEGサブスペース再構築のための軽量フレームワークであるEEGReXferNetを紹介する。 EEGReXferNetは、近隣チャネル間のボリューム伝導、バンド固有の畳み込み符号化、スライディングウィンドウによる動的潜在特徴抽出を採用している。
  論文  参考訳（メタデータ） (2025-10-26T02:15:25Z)
• Source-Free Object Detection with Detection Transformer [59.33653163035064]
  Source-Free Object Detection (SFOD) は、ソースデータにアクセスすることなく、ソースドメインから教師なしのターゲットドメインへの知識転送を可能にする。 ほとんどの既存のSFODアプローチは、より高速なR-CNNのような従来のオブジェクト検出(OD)モデルに限られるか、新しいODアーキテクチャ、特に検出変換器(DETR)に適合しない一般的なソリューションとして設計されている。 本稿では,DTRのクエリ中心の機能強化を特化して設計された新しいSFODフレームワークであるFeature Reweighting ANd Contrastive Learning NetworK(FRANCK)を紹介する。
  論文  参考訳（メタデータ） (2025-10-13T07:35:04Z)
• Unsupervised CP-UNet Framework for Denoising DAS Data with Decay Noise [13.466125373185399]
  分散音響センサ(DAS)技術は光ファイバーケーブルを利用して音響信号を検出する。 DASは、ジオフォンよりも低い信号対雑音比(S/N)を示す。 これにより、S/Nの低減は、反転と解釈を含むデータ解析に悪影響を及ぼす。
  論文  参考訳（メタデータ） (2025-02-19T03:09:49Z)
• IncSAR: A Dual Fusion Incremental Learning Framework for SAR Target Recognition [13.783950035836593]
  IncSARは、ターゲット認識における破滅的な忘れに対処するために設計された漸進的な学習フレームワークである。 SAR画像に固有のスペックルノイズを軽減するため、ニューラルネットワーク近似に基づくデノナイジングモジュールを用いる。 MSTAR、SAR-AIRcraft-1.0、OpenSARShipベンチマークデータセットの実験は、IncSARが最先端のアプローチを大幅に上回っていることを示している。
  論文  参考訳（メタデータ） (2024-10-08T08:49:47Z)
• Generalizable Non-Line-of-Sight Imaging with Learnable Physical Priors [52.195637608631955]
  非視線画像(NLOS)は、その潜在的な応用により注目されている。 既存のNLOS再構成アプローチは、経験的物理的前提に依存して制約される。 本稿では,Learningable Path Compensation(LPC)とAdaptive Phasor Field(APF)の2つの主要な設計を含む,学習に基づく新しいソリューションを提案する。
  論文  参考訳（メタデータ） (2024-09-21T04:39:45Z)
• Disentangled Representation Learning for RF Fingerprint Extraction under Unknown Channel Statistics [77.13542705329328]
  本稿では,まず,不整合表現学習(DRL)の枠組みを提案し,入力信号を逆学習によりデバイス関連成分とデバイス関連成分に分解する。 提案フレームワークにおける暗黙的なデータ拡張は、デバイス非関連チャネル統計の過度な適合を避けるために、RFF抽出器に正規化を課す。 実験により、DR-RFFと呼ばれる提案手法は、未知の複雑な伝播環境に対する一般化可能性の観点から従来の手法よりも優れていることが示された。
  論文  参考訳（メタデータ） (2022-08-04T15:46:48Z)
• Model-based Deep Learning Receiver Design for Rate-Splitting Multiple Access [65.21117658030235]
  本研究では,モデルベース深層学習(MBDL)に基づく実用的なRSMA受信機の設計を提案する。 MBDL受信機は、符号なしシンボル誤り率(SER)、リンクレベルシミュレーション(LLS)によるスループット性能、平均トレーニングオーバーヘッドの観点から評価される。 その結果,MBDLはCSIRが不完全なSIC受信機よりも優れていた。
  論文  参考訳（メタデータ） (2022-05-02T12:23:55Z)
• Over-and-Under Complete Convolutional RNN for MRI Reconstruction [57.95363471940937]
  MR画像再構成のための最近のディープラーニングに基づく手法は、通常、汎用的なオートエンコーダアーキテクチャを利用する。 OUCR(Over-and-Under Complete Convolu?tional Recurrent Neural Network)を提案する。 提案手法は, トレーニング可能なパラメータの少ない圧縮されたセンシングと, 一般的なディープラーニングに基づく手法に対して, 大幅な改善を実現する。
  論文  参考訳（メタデータ） (2021-06-16T15:56:34Z)

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。