論文の概要: The Bioelectrical Information Theory: Investigating the theoretical compression limit of bioelectrical signals under artificial intelligence

• arxiv url: http://arxiv.org/abs/2606.09922v1
• Date: Sun, 07 Jun 2026 04:18:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-10 15:40:58.047934
• Title: The Bioelectrical Information Theory: Investigating the theoretical compression limit of bioelectrical signals under artificial intelligence
• Title（参考訳）: 生体電気情報理論:人工知能による生体電気信号の理論的圧縮限界の検討
• Authors: Jiawen Zou, Bo Yan,
• Abstract要約: 生体電気信号は脳とコンピュータのインタフェースの帯域幅に挑戦する規模で取得されることが多い。 生体電気データの有効情報が決定される情報理論の枠組みを提案する。
• 参考スコア（独自算出の注目度）: 4.59636442534401
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Bioelectrical signals are increasingly acquired at scales that challenge the bandwidth of brain-computer interfaces. However, their compression is still often framed as a problem of waveform preservation, limited by the entropy of the raw signal. Here we propose an information-theoretic framework in which the effective information of bioelectrical data is determined not only by signal fidelity, but also by physiological structure, model capacity and downstream task requirements. We formulate bioelectrical compression as a three-level hierarchy. At the signal level, noise is reduced to the information they carry about latent physiological sources. At the physiological level, parametric encoders map purified signals into compact, structured and quantized representations. At the semantic level, task-irrelevant information is discarded, while deep learning models exploit causal dependencies to replace marginal entropy with conditional entropy. This perspective reframes the compression limit of bioelectrical signals as a model- and task-conditioned quantity rather than a fixed property of the waveform. As increasingly expressive models become integrated with neural and physiological interfaces, bioelectrical compression may shift from transmitting signals to transmitting only the residual information required for task-level interpretation.
• Abstract（参考訳）: 生体電気信号は脳とコンピュータのインタフェースの帯域幅に挑戦する規模で取得されることが多い。 しかし、その圧縮はしばしば原信号のエントロピーによって制限された波形保存の問題としてフレーム化されている。 本稿では, 生体電気データの有効情報を信号の忠実度だけでなく, 生理構造, モデル容量, 下流タスク要求によって決定する情報理論フレームワークを提案する。 生体電気圧縮を3レベル階層として定式化する。 信号レベルでは、ノイズは潜伏する生理的情報源に関する情報に還元される。 生理学的レベルでは、パラメトリックエンコーダは精製された信号をコンパクトで構造化され、量子化された表現にマッピングする。 セマンティックレベルでは、タスク非関連情報は破棄され、深層学習モデルは因果関係を利用して境界エントロピーを条件エントロピーに置き換える。 この観点は、生体電気信号の圧縮限界を、波形の固定特性ではなく、モデルおよびタスク条件付き量として再構成する。 表現力のあるモデルが神経および生理的インタフェースと統合されるにつれて、生体電気圧縮は伝達信号からタスクレベルの解釈に必要な残余情報のみを伝達するようになる。

関連論文リスト

• Parameter-efficient Dual-encoder Architecture with Differentiable Choquet Integral Fusion for Underwater Acoustic Classification [43.92337343771302]
  本稿では、音響波形とスペクトログラムを同時に処理するデュアルエンコーダニューラルアーキテクチャを提案する。 潜在的な非対称なチャネル歪みによって最小に劣化した表現に動的に注意を移すことにより、提案したゲーティング機構は水中環境の非定常的課題を緩和する。
  論文  参考訳（メタデータ） (2026-06-01T14:49:38Z)
• Functional MRI Time Series Generation via Wavelet-Based Image Transform and Spectral Flow Matching for Brain Disorder Identification [11.757645382221854]
  fMRIは、血液酸素レベル依存係数(BOLD)信号を経時的に測定することで、非侵襲的な脳活動へのアクセスを提供する。 fMRIの資源集約性は、データ駆動分析モデルに必要な高忠実度サンプルの入手を制限している。 本稿では,スペクトルフローマッチングを用いたBOLD信号の二重周波数表現を行う新しいfMRI生成フレームワークであるDSpec(Dual-temporaltral Flow Matching)を提案する。
  論文  参考訳（メタデータ） (2026-05-28T09:12:45Z)
• Phase-Coded Memory and Morphological Resonance: A Next-Generation Retrieval-Augmented Generator Architecture [0.0]
  トークンの埋め込みの代わりに、システムは振幅-位相構造を持つ複雑な波のパターンとして意味を符号化する。 この論文は、理論的基礎、擬似コードの実装、および関連する複素数値ニューラルモデルによる実験的証拠を概説する。
  論文  参考訳（メタデータ） (2025-11-14T20:12:24Z)
• A high-capacity linguistic steganography based on entropy-driven rank-token mapping [81.29800498695899]
  言語ステガノグラフィーは、秘密のメッセージを無害なテキストに埋め込むことによって、秘密のコミュニケーションを可能にする。 従来の修正ベースの手法は検出可能な異常を導入し、検索ベースの戦略は埋め込み能力の低下に悩まされている。 本稿では、ランクベース適応符号化と文脈認識の圧縮を正規化エントロピーと統合したRTMStegaというエントロピー駆動のフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-10-27T06:02:47Z)
• NeuroRVQ: Multi-Scale EEG Tokenization for Generative Large Brainwave Models [66.91449452840318]
  我々は、コードブックベースのトークン化装置を中心としたスケーラブルな大脳波モデル(LBM)であるNeuroRVQを紹介する。 我々のトークンライザは, (i) フル周波数のニューラルスペクトルを捕捉するマルチスケール特徴抽出モジュール, (ii) 高精細符号化のための階層的残留ベクトル量子化(RVQ)コードブック, (iii) 効率的なトレーニングのためのEEG信号位相および振幅認識損失関数を統合する。 実験の結果,NeuroRVQは再建誤差を低くし,様々な下流タスクにおいて既存のLBMよりも優れることがわかった。
  論文  参考訳（メタデータ） (2025-10-15T01:26:52Z)
• Neural Codecs as Biosignal Tokenizers [45.09508896488561]
  ニューラルコーデックにインスパイアされた代替表現学習フレームワークであるBioCodecを導入し、離散トークンの形で低レベル信号特性をキャプチャする。 提案手法は、最先端のモデルと競合するバイオシグナルトークン化のための汎用的なソリューションを提供する。
  論文  参考訳（メタデータ） (2025-10-10T07:47:20Z)
• QualityFM: a Multimodal Physiological Signal Foundation Model with Self-Distillation for Signal Quality Challenges in Critically Ill Patients [3.744688073010934]
  Photoplethysmogram(PSG)とElectrocardiogram(ECG)は一般的にICU(ICU)と手術室(OR)に記録されている。 これまでに調査された手法は、限定的な一般化可能性、広範なラベル付きデータへの依存、およびクロスタスク転送性に悩まされている。 本稿では,これらの生理的信号に対する新しいマルチモーダル基礎モデルであるQualityFMを紹介する。
  論文  参考訳（メタデータ） (2025-09-08T10:20:56Z)
• Heterogeneous quantization regularizes spiking neural network activity [0.0]
  本稿では、アナログデータを正規化し、スパイク位相表現に量子化する、データブラインドニューロモルフィック信号条件付け戦略を提案する。 我々は、量子化重みの範囲と密度が蓄積された入力統計に適応するデータ認識キャリブレーションステップを追加することで、このメカニズムを拡張した。
  論文  参考訳（メタデータ） (2024-09-27T02:25:44Z)
• Deep Metric Learning with Locality Sensitive Angular Loss for Self-Correcting Source Separation of Neural Spiking Signals [77.34726150561087]
  本稿では, 深層学習に基づく手法を提案し, 自動掃除とロバスト分離フィルタの必要性に対処する。 本手法は, ソース分離した高密度表面筋電図記録に基づいて, 人工的に劣化したラベルセットを用いて検証する。 このアプローチにより、ニューラルネットワークは、信号のラベル付けの不完全な方法を使用して、神経生理学的時系列を正確に復号することができる。
  論文  参考訳（メタデータ） (2021-10-13T21:51:56Z)
• Discriminative Singular Spectrum Classifier with Applications on Bioacoustic Signal Recognition [67.4171845020675]
  分析や分類に有用な特徴を効率的に抽出する識別機構を備えた生体音響信号分類器を提案する。 タスク指向の現在のバイオ音響認識法とは異なり、提案モデルは入力信号をベクトル部分空間に変換することに依存する。 提案法の有効性は,アヌラン,ミツバチ,蚊の3種の生物音響データを用いて検証した。
  論文  参考訳（メタデータ） (2021-03-18T11:01:21Z)

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。