論文の概要: BCI-sift: An automated feature selection toolbox for Brain Computer Interface applications

• arxiv url: http://arxiv.org/abs/2605.19646v1
• Date: Tue, 19 May 2026 10:32:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-20 15:03:09.282321
• Title: BCI-sift: An automated feature selection toolbox for Brain Computer Interface applications
• Title（参考訳）: BCI-sift:Brain Computer Interfaceアプリケーションのための自動機能選択ツールボックス
• Authors: Elena C Offenberg, Dirk Keller, Mariska J Vansteensel, Zachary V Freudenburg, Nick F Ramsey, Julia Berezutskaya,
• Abstract要約: BCI-sift (BCI Systematic and Interpretable Feature Tuning) は、多様な最適化アルゴリズムをBCIデータセットに適用するためのPythonベースのツールボックスである。 高密度心電図(HD ECoG)データを用いた8名の健常者を対象にツールボックスの検証を行った。 BCI-siftは、電極、時間、周波数次元にわたる情報的神経特徴を識別する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Advancements in clinical Brain-Computer Interfaces (BCIs) depend on precise and reliable signal interpretation. However, the high-dimensional and noisy nature of data captured from both implanted and non-implanted BCIs poses significant challenges, motivating the use of feature selection algorithms. We introduce BCI-sift (BCI Systematic and Interpretable Feature Tuning), a Python-based toolbox designed to streamline the application of diverse optimization algorithms to BCI datasets for identifying the most relevant features in machine learning tasks. Our scikit-learn-compatible toolbox (github.com/UMCU-RIBS/BCI-sift) simplifies feature selection in BCI tasks by integrating advanced optimization methods. We validated the toolbox on high-density electrocorticography (HD ECoG) data from eight able-bodied participants with 64-128 electrodes implanted over the sensorimotor cortex, who repeatedly spoke 12 words. BCI-sift identified informative neural features across electrode, temporal, and frequency dimensions. The anatomical locations of electrode selections were consistent across participants and aligned with known functional organization of the sensorimotor cortex. Relevant time points clustered around speech production, and the high-frequency band was identified as most informative, in line with prior work. Feature selection improved classification accuracy compared to using all features. BCI-sift provides an accessible and versatile platform for feature selection in BCI research, enabling improved decoding performance, automated feature analysis, and enhanced interpretability. While validated on HD ECoG data, the approach is broadly applicable to other BCI modalities. By enhancing classification accuracy and interpretability, BCI-sift addresses key challenges in developing efficient and transparent BCI systems.
• Abstract（参考訳）: 臨床脳コンピュータインタフェース(BCI)の進歩は、正確で信頼性の高い信号解釈に依存している。 しかし、埋込みBCIと非実装BCIの両方から取得したデータの高次元的およびノイズ的性質は、特徴選択アルゴリズムの使用を動機付け、重大な課題を提起する。 BCI-sift (BCI Systematic and Interpretable Feature Tuning) は,BCIデータセットへの多様な最適化アルゴリズムの応用を合理化して,機械学習タスクにおける最も関連性の高い特徴を特定するために設計されたPythonベースのツールボックスである。 我々のスキート学習ツールボックス(github.com/UMCU-RIBS/BCI-sift)は、高度な最適化手法を統合することにより、BCIタスクの特徴選択を単純化する。 感覚運動野に64-128電極を植込み,12語を繰り返した8名の健常者を対象に,高密度心電図(HD ECoG)データを用いてツールボックスの検証を行った。 BCI-siftは、電極、時間、周波数の次元にまたがる情報的神経特徴を同定した。 電極選択の解剖学的位置は参加者間で一致しており、感覚運動皮質の既知の機能的組織と一致していた。 関連時間ポイントは音声生成を中心にクラスタ化され,高周波帯域は先行作業と一致して最も情報に富むものと同定された。 特徴選択は,すべての特徴を用いた場合に比べて分類精度が向上した。 BCI-siftは、BCI研究において、機能選択のためのアクセシブルで汎用的なプラットフォームを提供する。 HD ECoGデータで検証されているが、他のBCIモダリティにも広く適用可能である。 分類精度と解釈可能性を高めることで、BCI-siftは効率的で透明なBCIシステムを開発する上で重要な課題に対処する。

関連論文リスト

• AdaBrain-Bench: Benchmarking Brain Foundation Models for Brain-Computer Interface Applications [52.91583053243446]
  非侵襲的なBrain-Computer Interface(BCI)は、人間の脳を外部デバイスに接続する安全でアクセスしやすい手段を提供する。 近年,自己指導型プレトレーニングの導入により,非侵襲的BCI研究の展望が変化しつつある。 AdaBrain-Benchは、広範囲にわたる非侵襲的BCIタスクにおける脳基盤モデルを評価するための標準化されたベンチマークである。
  論文  参考訳（メタデータ） (2025-07-14T03:37:41Z)
• Robust Feature Engineering Techniques for Designing Efficient Motor Imagery-Based BCI-Systems [0.0]
  この研究は、MI Limb EEGデータセットの詳細な分析を提供する。 神経リハビリテーションのためのシンプルで費用効率の良い信頼性の高いBCIシステムを設計・開発するのに役立つだろう。
  論文  参考訳（メタデータ） (2024-12-10T04:17:22Z)
• Physics-informed and Unsupervised Riemannian Domain Adaptation for Machine Learning on Heterogeneous EEG Datasets [53.367212596352324]
  脳波信号物理を利用した教師なし手法を提案する。 脳波チャンネルをフィールド、ソースフリーなドメイン適応を用いて固定位置にマッピングする。 提案手法は脳-コンピュータインタフェース(BCI)タスクおよび潜在的なバイオマーカー応用におけるロバストな性能を示す。
  論文  参考訳（メタデータ） (2024-03-07T16:17:33Z)
• HappyFeat -- An interactive and efficient BCI framework for clinical applications [1.0695468735073714]
  本稿では,Motor Imagery(MI)ベースのBCI実験を容易にするソフトウェアであるHappyFeatを紹介する。 結果として得られるワークフローは、ベストな機能を選択して、優れたBCIパフォーマンスを達成するのに役立ちます。 HappyFeatはオープンソースプロジェクトとして利用可能で、GitHubから無料でダウンロードできる。
  論文  参考訳（メタデータ） (2023-10-04T16:36:32Z)
• FingerFlex: Inferring Finger Trajectories from ECoG signals [68.8204255655161]
  FingerFlexモデル(FingerFlex model)は、脳波(ECoG)データに対する指の動きの回帰に適応した畳み込みエンコーダ・デコーダアーキテクチャである。 実測軌道と予測軌道の相関係数が最大0.74であるBCIコンペティションIVデータセット4で最先端の性能が達成された。
  論文  参考訳（メタデータ） (2022-10-23T16:26:01Z)
• Motor-Imagery-Based Brain Computer Interface using Signal Derivation and Aggregation Functions [23.995027642929756]
  既存のMIベースのBCIフレームワークを改善するために,拡張融合フレームワークと呼ばれるBCIフレームワークを提案する。 まず、信号の追加の前処理ステップ、すなわち時間不変にする脳波信号の分化が含まれます。 次に、システムの特徴として追加の周波数帯域を追加し、システムのパフォーマンスにその効果を示します。 この新しいシステムは、運動画像ベースの脳-コンピュータインタフェース実験を行う20人のボランティアのデータセット上でテストしました。
  論文  参考訳（メタデータ） (2021-01-18T10:14:01Z)
• Revisiting the Application of Feature Selection Methods to Speech Imagery BCI Datasets [1.7403133838762446]
  音声画像データセットに対して,機能選択/ランク付け手法がいかにシンプルで強力かを示す。 我々の第一の目的は、サポートベクターマシン、$k$-nearest近辺、決定木、線形判別分析、長期記憶リカレントニューラルネットワーク分類器から得られる分類精度を改善することである。
  論文  参考訳（メタデータ） (2020-08-17T22:48:52Z)

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。