論文の概要: Bayesian Classification with Probit-link Split-and-merge Gaussian Process Prior in EEG-based Brain-Computer Interfaces

• arxiv url: http://arxiv.org/abs/2605.30775v1
• Date: Fri, 29 May 2026 03:05:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-01 20:56:50.35647
• Title: Bayesian Classification with Probit-link Split-and-merge Gaussian Process Prior in EEG-based Brain-Computer Interfaces
• Title（参考訳）: プロビットリンク分割・マージガウスプロセスを用いた脳波を用いた脳-コンピュータインタフェースにおけるベイズ分類
• Abstract要約: 事象関連電位(ERP)に基づく脳-コンピュータインタフェース(BCI)スペルシステムにより、視覚刺激に対する脳反応を検出して文字を選択できる。 1つの課題は、P300コンポーネントのようなターゲット関連の応答を正確に識別することである。 刺激に対する脳波応答のバイナリ分類のための新しいベイズ生成モデルフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 2.188784024717626
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: A Brain-Computer Interface (BCI) speller systems based on Event-Related Potentials (ERPs) enables users to select characters by detecting brain responses to visual stimuli, recorded through electroencephalogram (EEG). One challenge is to accurately identify target-related responses, such as the P300 component. However, existing methods tend to ignore feature selection, perform feature selection without interpretability, or require large computational effort or data manipulation. To address these limitations, we propose a novel Bayesian generative modeling framework to the binary classification of EEG responses to stimuli. Our approach employs a Probit-link Split-and-merge Gaussian Process (P-SMGP) prior to perform spatial-temporal feature selection, effectively capturing the distinctions between target and non-target ERP responses. Through both simulation studies and real EEG data analysis, our approach can reduce computational complexity and provide statistical interpretations on transformed ERP functions while maintaining comparable prediction accuracy. These findings underscore the value of interpretable, stimulus-level modeling for advancing predictive and personalized BCI systems.
• Abstract（参考訳）: 事象関連電位(ERP)に基づく脳-コンピュータインタフェース(BCI)スペルシステムにより、脳波(EEG)によって記録された視覚刺激に対する脳反応を検出することで、ユーザーは文字を選択できる。 1つの課題は、P300コンポーネントのようなターゲット関連の応答を正確に識別することである。 しかし、既存の手法では、特徴の選択を無視したり、解釈不可能な特徴の選択を行ったり、大規模な計算作業やデータ操作を必要とする傾向がある。 これらの制約に対処するために、刺激に対する脳波応答のバイナリ分類のための新しいベイズ生成モデリングフレームワークを提案する。 提案手法では,空間的特徴選択を行う前に,Probit-link Split-and-merge Gaussian Process (P-SMGP) を用いて,ターゲットと非ターゲットのERP応答の区別を効果的に把握する。 シミュレーション研究と実脳波データ解析の両方により、計算複雑性を低減し、変換ERP関数の統計的解釈を同等の予測精度を維持しながら提供することができる。 これらの知見は, 予測的, パーソナライズされたBCIシステムにおいて, 解釈可能な, 刺激レベルモデリングの意義を浮き彫りにした。

関連論文リスト

• Sparse Bayesian Modeling of EEG Channel Interactions Improves P300 Brain-Computer Interface Performance [3.9812825396617644]
  脳波をベースとしたP300脳-コンピュータインタフェース(BCI)は、刺激によって誘発される神経応答を検出することにより、物理的な動きを伴わないコミュニケーションを可能にする。 高精度かつ効率的な復号化は、高次元性、時間的依存、EEGチャネル間の複雑な相互作用のために依然として困難である。 構造化されたEEGチャネルの相互作用をモデル化した疎ベイズ時間変化回帰フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-02-19T19:03:51Z)
• MINERVA: Mutual Information Neural Estimation for Supervised Feature Selection [39.57737590420284]
  本稿では,特徴と対象間の相互情報のニューラル推定に基づく特徴選択のための新しい手法を提案する。 ニューラルネットワークによる相互情報の近似をパラマティフィケーションし、疎性誘導型正規化器を付加した慎重に設計された損失関数を用いて特徴選択を行う。 提案手法は,特徴選択から表現学習を分離する2段階のプロセスで実装され,より優れた一般化とより正確な特徴重要度表現を実現する。
  論文  参考訳（メタデータ） (2025-10-02T23:09:06Z)
• Explicit modelling of subject dependency in BCI decoding [12.17288254938554]
  Brain-Computer Interfaces (BCI) は、高いオブジェクト間の変動とラベル付きデータに悩まされる。 被験者の身元を条件とした軽量畳み込みニューラルネットワーク(CNN)を用いて、対象の依存関係を明示的にモデル化するエンド・ツー・エンドのアプローチを提案する。
  論文  参考訳（メタデータ） (2025-09-27T10:51:42Z)
• Generative Principal Component Regression via Variational Inference [2.4415762506639944]
  適切な操作を設計するための1つのアプローチは、予測モデルの重要な特徴をターゲットとすることである。 我々は,そのような情報を潜在空間で表現する,教師付き変分オートエンコーダ(SVAE)に基づく新しい目的を開発する。 シミュレーションでは,gPCRは通常のPCRやSVAEと比較して,操作時のターゲット選択を劇的に改善することを示した。
  論文  参考訳（メタデータ） (2024-09-03T22:38:55Z)
• 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)
• Pointer Networks with Q-Learning for Combinatorial Optimization [55.2480439325792]
  我々は、モデルフリーQ値ポリシー近似をPointer Networks(Ptr-Nets)と統合したハイブリッドニューラルネットワークであるPointer Q-Network(PQN)を紹介する。 実験により,本手法の有効性を実証し,不安定な環境でモデルをテストする。
  論文  参考訳（メタデータ） (2023-11-05T12:03:58Z)
• Provably Efficient UCB-type Algorithms For Learning Predictive State Representations [55.00359893021461]
  逐次決定問題は、予測状態表現(PSR)によってモデル化された低ランク構造が認められる場合、統計的に学習可能である 本稿では,推定モデルと実モデル間の全変動距離を上限とする新しいボーナス項を特徴とする,PSRに対する最初のUCB型アプローチを提案する。 PSRに対する既存のアプローチとは対照的に、UCB型アルゴリズムは計算的トラクタビリティ、最優先の準最適ポリシー、モデルの精度が保証される。
  論文  参考訳（メタデータ） (2023-07-01T18:35:21Z)
• Bayesian Inference on Brain-Computer Interfaces via GLASS [4.04514704204904]
  脳波信号の低信号対雑音比(SNR)と複雑な空間的・時間的相関は、モデリングと計算における課題を示す。 完全ベイズ的枠組みの下でスパース時間変化効果(GLASS)を持つ新しいガウスラテントチャネルモデルを導入する。 筋萎縮性側索硬化症(ALS)患者におけるGLASSによるBCI改善効果について検討した。 より広範なアクセシビリティを実現するため、我々は後方計算のための効率的な勾配に基づく変分推論(GBVI)アルゴリズムを開発した。
  論文  参考訳（メタデータ） (2023-04-14T21:29:00Z)
• ETLP: Event-based Three-factor Local Plasticity for online learning with neuromorphic hardware [105.54048699217668]
  イベントベース3要素局所塑性(ETLP)の計算複雑性に明らかな優位性を有する精度の競争性能を示す。 また, 局所的可塑性を用いた場合, スパイキングニューロンの閾値適応, 繰り返しトポロジーは, 時間的構造が豊富な時間的パターンを学習するために必要であることを示した。
  論文  参考訳（メタデータ） (2023-01-19T19:45:42Z)
• The Predictive Forward-Forward Algorithm [79.07468367923619]
  本稿では,ニューラルネットワークにおける信頼割当を行うための予測フォワード(PFF)アルゴリズムを提案する。 我々は,有向生成回路と表現回路を同時に同時に学習する,新しい動的リカレントニューラルネットワークを設計する。 PFFは効率よく学習し、学習信号を伝達し、フォワードパスのみでシナプスを更新する。
  論文  参考訳（メタデータ） (2023-01-04T05:34:48Z)
• Task-Oriented Sensing, Computation, and Communication Integration for Multi-Device Edge AI [108.08079323459822]
  本稿では,AIモデルの分割推論と統合センシング通信(ISAC)を併用した,新しいマルチインテリジェントエッジ人工レイテンシ(AI)システムについて検討する。 推定精度は近似的だが抽出可能な計量、すなわち判別利得を用いて測定する。
  論文  参考訳（メタデータ） (2022-07-03T06:57:07Z)

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。