論文の概要: Subject-Specific Analysis of Self-Initiated Attention Shifts from EEG with Controlled Internal and External Attention Conditions

• arxiv url: http://arxiv.org/abs/2605.18251v1
• Date: Mon, 18 May 2026 11:52:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-19 17:57:49.504743
• Title: Subject-Specific Analysis of Self-Initiated Attention Shifts from EEG with Controlled Internal and External Attention Conditions
• Title（参考訳）: 内的・外的注意条件が制御された脳波からの自己開始注意変化の主観的分析
• Authors: Yuwen Zeng, Dengzhe Hou, Zhang Zhang, Sai Sun, Yongsong Huang, Chia-huei Tseng, Satoshi Shioiri,
• Abstract要約: 自己開始型注意シフトは、自発的行動において重要な役割を果たすが、明確な時間的マーカーがないため、研究は困難である。 本研究では,タスク制約付き自己開始型シフトと外部指示型シフトを同一視覚刺激下で比較できる実験パラダイムを構築した。 本研究では,機械学習に基づくアプローチを採用し,(1)周波数固有の地形パターンのパフォーマンス指向評価,(2)SHapley Additive exPlanationsを用いたモデルに基づく特徴属性分析という2つの相補的分析を行う。
• 参考スコア（独自算出の注目度）: 2.8839078234339417
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Self-initiated attention shifts play a critical role in voluntary behavior but are difficult to study due to the absence of explicit temporal markers. While previous studies have examined their neural correlates, it remains unclear how multi-dimensional electroencephalography (EEG) features contribute to their characterization within an interpretable computational framework. In this study, we build on an experimental paradigm developed in our previous work, which enables controlled comparison between task-constrained self-initiated shifts and externally instructed shifts under identical visual stimulation. Within this setting, we investigate whether preparatory EEG activity can distinguish these two types of attention shifts. We adopt a machine learning-based approach and conduct two complementary analyses: (1) a performance-oriented assessment of frequency-specific topographic patterns, and (2) a model-based feature attribution analysis using SHapley Additive exPlanations (SHAP). These analyses provide a structured view of how spectral features across regions of interest contribute to model behavior. Our results demonstrate reliable within-subject classification performance, indicating that preparatory EEG activity contains subject-specific discriminative information within this paradigm. The analysis shows that higher-frequency bands and frontal regions contribute strongly to model decisions, although such contributions should be interpreted cautiously due to the potential influence of non-neural artifacts in high-frequency EEG signals. Overall, this work highlights the value of interpretable machine learning for analyzing subject-specific EEG signal patterns in a controlled experimental setting, with potential applications in personalized and asynchronous brain-machine interface systems.
• Abstract（参考訳）: 自己開始型注意シフトは、自発的行動において重要な役割を果たすが、明確な時間的マーカーがないため、研究は困難である。 これまでの研究では、それらの神経関連性について検討されてきたが、多次元脳波(EEG)の特徴が、解釈可能な計算フレームワーク内でのそれらの特性にどのように寄与するかは定かではない。 本研究では,タスク制約付き自己開始型シフトと,同じ視覚刺激下での外部指示型シフトとの制御された比較を可能にする実験パラダイムを構築した。 本設定では,これらの2種類の注意変化を,予備的脳波活動が区別できるかどうかを検討する。 本研究では,機械学習に基づくアプローチを採用し,(1)周波数固有の地形パターンのパフォーマンス指向評価,(2)SHAP(SHapley Additive ExPlanations)を用いたモデルに基づく特徴属性分析という2つの相補的分析を行う。 これらの分析は、関心領域のスペクトル的特徴がモデル行動にどのように寄与するかを構造化したビューを提供する。 本研究は,本パラダイムにおける主観的識別情報を含む準備脳波活動の信頼性を示すものである。 この分析は、高頻度帯域と前頭葉領域がモデル決定に強く寄与することを示しているが、そのような寄与は高周波脳波信号における非神経アーティファクトの影響の可能性から慎重に解釈されるべきである。 全体として、この研究は、パーソナライズされた非同期脳と機械のインタフェースシステムにおける潜在的な可能性として、制御された実験環境で、被験者固有の脳波信号パターンを分析するための解釈可能な機械学習の価値を強調している。

関連論文リスト

• Spectral Priors vs. Attention: Investigating the Utility of Attention Mechanisms in EEG-Based Diagnosis [0.802904964931021]
  特徴構造に対するスペクトル選択的アプローチがクラス分離性を高めることを示す。 一次脳波帯内の信号強度を分離することにより、高次元の生データを高価値スペクトル特徴に変換する。
  論文  参考訳（メタデータ） (2026-05-14T21:26:07Z)
• K-Models: a Flexible and Interpretable Method for Ordinal Clustering with Application to Antigen-Antibody Interaction Profiles [65.21921642886367]
  K-Modelsは、順序的制約を統合し、観察された機能プロファイルを生成するランダムプロセスの基本的な要素を推定する新しいフレームワークである。 提案手法はシミュレーションと実世界の応用を通して評価する。
  論文  参考訳（メタデータ） (2026-05-14T13:35:44Z)
• SHAPCA: Consistent and Interpretable Explanations for Machine Learning Models on Spectroscopy Data [3.6869511677142373]
  分光データの高次元性と強いコリニアリティは、説明可能性のモデル化に根本的な課題を生んでいる。 本研究は,主成分分析(次元化のための)と形状付加的展開(ポストホック説明のための)を組み合わせた説明可能な機械学習パイプラインであるSHAPCAを提案する。 提案したフレームワークは、グローバルとローカルの両方の観点からの分析を可能にし、モデル全体の振る舞いを駆動するスペクトル帯域を明らかにする。
  論文  参考訳（メタデータ） (2026-03-19T16:58:31Z)
• Feature Estimation of Global Language Processing in EEG Using Attention Maps [5.173821279121835]
  本研究は,脳波の特徴推定に新たなアプローチを導入し,深層学習モデルの重みを利用してその関連を探索する。 視覚変換器とEEGNetから生成したアテンションマップは,従来の研究結果と一致した特徴を効果的に同定できることを実証する。 ViTsを用いたMel-Spectrogramの適用により、時間および周波数関連脳波特性の分解能が向上する。
  論文  参考訳（メタデータ） (2024-09-27T22:52:31Z)
• 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)
• Factored Attention and Embedding for Unstructured-view Topic-related Ultrasound Report Generation [70.7778938191405]
  本研究では,非構造的トピック関連超音波レポート生成のための新しい因子的注意・埋め込みモデル(FAE-Gen)を提案する。 提案したFAE-Genは主に2つのモジュール、すなわちビュー誘導因子の注意とトピック指向因子の埋め込みから構成されており、異なるビューで均質および不均一な形態的特徴を捉えている。
  論文  参考訳（メタデータ） (2022-03-12T15:24:03Z)
• DriPP: Driven Point Processes to Model Stimuli Induced Patterns in M/EEG Signals [62.997667081978825]
  我々はDriPPと呼ばれる新しい統計点過程モデルを開発する。 我々は、このモデルのパラメータを推定するために、高速で原理化された予測最大化(EM)アルゴリズムを導出する。 標準MEGデータセットの結果から,我々の手法が事象関連ニューラルレスポンスを明らかにすることが示された。
  論文  参考訳（メタデータ） (2021-12-08T13:07:21Z)
• Towards Unbiased Visual Emotion Recognition via Causal Intervention [63.74095927462]
  本稿では,データセットバイアスによる負の効果を軽減するために,新しい感情認識ネットワーク(IERN)を提案する。 IERNの有効性を検証する一連の設計されたテストと、3つの感情ベンチマークの実験は、IERNが他の最先端のアプローチよりも優れていることを示した。
  論文  参考訳（メタデータ） (2021-07-26T10:40:59Z)
• Subject Independent Emotion Recognition using EEG Signals Employing Attention Driven Neural Networks [2.76240219662896]
  主観非依存の感情認識が可能な新しいディープラーニングフレームワークを提案する。 タスクを実行するために、アテンションフレームワークを備えた畳み込みニューラルネットワーク(CNN)を提示する。 提案手法は、公開データセットを使用して検証されている。
  論文  参考訳（メタデータ） (2021-06-07T09:41:15Z)
• SparseBERT: Rethinking the Importance Analysis in Self-attention [107.68072039537311]
  トランスフォーマーベースのモデルは、その強力な能力のために自然言語処理(NLP)タスクに人気がある。 事前学習モデルの注意マップの可視化は,自己着脱機構を理解するための直接的な方法の一つである。 本研究では,sparsebert設計の指導にも適用可能な微分可能アテンションマスク(dam)アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-02-25T14:13:44Z)
• Comparison of Attention-based Deep Learning Models for EEG Classification [0.2770822269241974]
  我々は,Deep Learning(DL)モデルにおける異なる種類の注意機構の脳波分類への影響を評価する。 これらのモデルを用いて、正常な脳波パターンと異常な脳波パターンを分類した。
  論文  参考訳（メタデータ） (2020-12-02T10:43:41Z)

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。