論文の概要: A Domain-Informed Multi-Objective Framework for EEG Channel Selection in Motor Imagery BCIs

• arxiv url: http://arxiv.org/abs/2605.29943v1
• Date: Thu, 28 May 2026 13:54:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-30 02:45:56.36714
• Title: A Domain-Informed Multi-Objective Framework for EEG Channel Selection in Motor Imagery BCIs
• Title（参考訳）: 動画像BCIにおける脳波チャネル選択のためのドメインインフォーム型多目的フレームワーク
• Authors: Dekka Muni Kumar, Dhruba Jyoti Kalita, Yogesh Kumar Meena,
• Abstract要約: 運動画像(MI)分類は脳-コンピュータインターフェース(BCI)の進展に不可欠である 本研究では,非支配的ソート遺伝的アルゴリズムを用いた多目的最適化フレームワークを提案する。 このフレームワークを4つのEEGデータセット(Physto、OpenBMI、HighGamma、BCIIV-2A)で評価した。
• 参考スコア（独自算出の注目度）: 8.252382247265325
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Motor imagery (MI) classification using electroencephalography (EEG) signals is essential for advancing brain-computer interfaces (BCIs). Traditional EEG channel selection methods often face limitations, such as dependency on single-objective criteria and susceptibility to local optima. To address these challenges, this work proposes a multi-objective optimisation framework that employs non-dominated sorting genetic algorithm, multiple-objective particle swarm optimisation, and a multi-objective evolutionary algorithm based on decomposition. Our approach effectively balances spatial relevance, using a Gaussian kernel, and functional discriminability, which assesses intratrial task-related desynchronisation, thereby improving performance. We evaluated this framework on four EEG datasets: Physionet, OpenBMI, HighGamma, and BCIIV-2A. The proposed approach successfully identifies compact, relevant channel subsets concentrated around sensorimotor cortex regions linked to MI activity, addressing the prevalent challenges of dimensionality and complexity inherent to traditional techniques. Furthermore, the framework achieved classification performance of 87%, 71%, 75%, and 65% on the Physionet, OpenBMI, HighGamma, and BCIIV-2A datasets, respectively. By outperforming existing single-objective and accuracy-based methods, and those relying on fixed subsets, these findings demonstrate that this new multi-objective optimisation framework can enhance MI-based BCI performance while facilitating compact channel configurations with reduced computational complexity, making them better suited for wearable, portable, and real-time BCI applications.
• Abstract（参考訳）: 脳波(EEG)信号を用いた運動画像(MI)分類は脳-コンピュータインターフェース(BCI)の進展に不可欠である。 従来のEEGチャネル選択法は、単一目的の基準への依存や局所的最適性への感受性など、しばしば制限に直面している。 これらの課題に対処するために、非支配的ソート遺伝的アルゴリズム、多目的粒子群最適化、分解に基づく多目的進化アルゴリズムを用いた多目的最適化フレームワークを提案する。 提案手法は,ガウスカーネルを用いた空間的関連性,および心房内課題関連脱同期を評価する機能的識別性を効果的にバランスさせ,性能を向上する。 このフレームワークを4つのEEGデータセット(Physto、OpenBMI、HighGamma、BCIIV-2A)で評価した。 提案手法は,MI活動に関連する感覚運動野領域に集中する,コンパクトで関連性の高いチャネルサブセットの同定に成功し,従来の技術に固有の次元性や複雑性の課題に対処する。 さらに、このフレームワークは、Phyloonet、OpenBMI、HighGamma、BCIIV-2Aデータセットで、それぞれ87%、71%、75%、65%の分類性能を達成した。 従来の単一目的と精度に基づく手法,および固定サブセットに依存した手法に勝ることにより,この新たな多目的最適化フレームワークがMIベースのBCI性能を向上させると同時に,計算複雑性を低減したコンパクトチャネル構成を容易にし,ウェアラブル,ポータブル,リアルタイムのBCIアプリケーションに適していることを示す。

関連論文リスト

• GCMCG: A Clustering-Aware Graph Attention and Expert Fusion Network for Multi-Paradigm, Multi-task, and Cross-Subject EEG Decoding [0.7871262900865523]
  運動画像(MI)脳波(EEG)信号に基づく脳-コンピュータインタフェース(BCI)は、人間と機械の相互作用の直接的な経路を提供する。 本稿では,MI-ME EEGデコーディングのための新しい統合フレームワークであるGraph-guided Clustering Mixture-of-Experts CNNGRUGを提案する。
  論文  参考訳（メタデータ） (2025-11-29T18:05:33Z)
• scMRDR: A scalable and flexible framework for unpaired single-cell multi-omics data integration [53.683726781791385]
  単一セルマルチオミクス(ScMRDR)と呼ばれるスケーラブルでフレキシブルな生成フレームワークを導入する。 本手法は, バッチ補正, モダリティアライメント, 生体信号保存の観点から, ベンチマークデータセット上での優れた性能を実現する。
  論文  参考訳（メタデータ） (2025-10-28T21:28:39Z)
• When Brain Foundation Model Meets Cauchy-Schwarz Divergence: A New Framework for Cross-Subject Motor Imagery Decoding [21.816266585365042]
  MI-EEGデコーディングは、オブジェクト間の大きなばらつきと限られたラベル付きターゲットデータのため、依然として困難である。 多くの既存のマルチソースドメイン適応手法は、すべての利用可能なソースドメインを無差別に組み込む。 本稿では,事前訓練された大脳基礎モデル(BFM)を動的および情報的対象選択に活用する新しいMSDAフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-07-28T17:55:26Z)
• CodeBrain: Towards Decoupled Interpretability and Multi-Scale Architecture for EEG Foundation Model [52.466542039411515]
  EEGファウンデーションモデル(EFM)は、タスク固有のモデルのスケーラビリティ問題に対処するために登場した。 このギャップを埋めるために設計された2段階のEMFであるCodeBrainを紹介します。 第1段階では、異種時間・周波数の脳波信号を離散トークンに分解するTFDual-Tokenizerを導入する。 第2段階では、構造化されたグローバル畳み込みとスライディングウインドウの注意を結合したマルチスケールEEGSSMアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2025-06-10T17:20:39Z)
• MPEC: Manifold-Preserved EEG Classification via an Ensemble of Clustering-Based Classifiers [0.0]
  脳波信号の正確な分類法としてMPEC(Manifold-Preserved EEG Classification via an Ensemble of Clustering-Based Radial Basiss)を提案する。 MPECはBCIコンペティションIVデータセット2aの大幅な改善によって検証され、優れた結果を得る。
  論文  参考訳（メタデータ） (2025-04-30T08:34:15Z)
• 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)
• CNN-based Approaches For Cross-Subject Classification in Motor Imagery: From The State-of-The-Art to DynamicNet [0.2936007114555107]
  運動画像(MI)ベースの脳-コンピュータインタフェース(BCI)システムは、コミュニケーションと制御の代替手段を提供するためにますます採用されています。 信頼できるBCIシステムを得るには、脳信号からMIを正確に分類することが不可欠です。 ディープラーニングアプローチは、標準的な機械学習技術の有効な代替手段として現れ始めている。
  論文  参考訳（メタデータ） (2021-05-17T14:57:13Z)
• MIN2Net: End-to-End Multi-Task Learning for Subject-Independent Motor Imagery EEG Classification [10.773708402778025]
  脳波のリズムは被験者に特有のものであり、時間とともに様々な変化が起こる。 本稿では,この課題に対処するための新しいエンドツーエンドマルチタスク学習であるMIN2Netを提案する。 深層学習をマルチタスクオートエンコーダに統合し,脳波からコンパクトかつ識別可能な潜在表現を学習する。
  論文  参考訳（メタデータ） (2021-02-07T15:20:23Z)
• EEG-Inception: An Accurate and Robust End-to-End Neural Network for EEG-based Motor Imagery Classification [123.93460670568554]
  本稿では,脳波に基づく運動画像(MI)分類のための新しい畳み込みニューラルネットワーク(CNN)アーキテクチャを提案する。 提案したCNNモデル、すなわちEEG-Inceptionは、Inception-Timeネットワークのバックボーン上に構築されている。 提案するネットワークは、生のEEG信号を入力とし、複雑なEEG信号前処理を必要としないため、エンドツーエンドの分類である。
  論文  参考訳（メタデータ） (2021-01-24T19:03:10Z)
• Performance of Dual-Augmented Lagrangian Method and Common Spatial Patterns applied in classification of Motor-Imagery BCI [68.8204255655161]
  運動画像に基づく脳-コンピュータインタフェース(MI-BCI)は、神経リハビリテーションのための画期的な技術になる可能性がある。 使用する脳波信号のノイズの性質のため、信頼性の高いBCIシステムは特徴の最適化と抽出のために特別な手順を必要とする。
  論文  参考訳（メタデータ） (2020-10-13T20:50:13Z)

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。