論文の概要: NeuroShield: A Device-Agnostic Foundation Model for EEG Authentication

• arxiv url: http://arxiv.org/abs/2606.20673v2
• Date: Wed, 24 Jun 2026 13:05:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-28 23:46:52.308532
• Title: NeuroShield: A Device-Agnostic Foundation Model for EEG Authentication
• Title（参考訳）: NeuroShield: 脳波認証のためのデバイスに依存しない基礎モデル
• Abstract要約: NeuroShieldは、EEG認証のための再利用可能な基盤モデルである。 可変チャネルと可変長の脳波記録から個人識別型埋め込みを学習する。 NeuroShieldは、アートの状態を比べたエラー率を0.44～8.06ポイント削減する。
• 参考スコア（独自算出の注目度）: 11.42673954852625
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: A central challenge in EEG authentication is that models are typically tied to the acquisition settings in which they are trained. In particular, variations in headset hardware, channel layout, and signal duration create heterogeneous recordings that existing models are not designed to handle, causing each new headset or dataset to be treated as a separate model-development problem. This fragmentation limits multi-dataset learning, hinders knowledge transfer, and reduces model reusability. To address this limitation, we present NeuroShield, a reusable foundation model for EEG authentication that learns identity-discriminative embeddings from variable-channel and variable-length EEG recordings through a dual-stage transformer architecture. We pretrain NeuroShield on three public EEG datasets comprising 15{,}762 subjects and 28{,}116 sessions, and evaluate transfer on two unseen downstream datasets. Our evaluations show that, after fine-tuning, NeuroShield reduces equal error rate by 0.44--8.06 percentage points relative to the state of the art. NeuroShield further generalizes to segments longer than those seen during training and operates across channel layouts not encountered during pretraining. These results establish NeuroShield as a reusable and adaptable EEG identity encoder across heterogeneous recording settings. We release NeuroShield as open source to support reproducibility and community adoption.
• Abstract（参考訳）: 脳波認証における中心的な課題は、モデルがトレーニングされる取得設定に結びついていることだ。 特に、ヘッドセットのハードウェア、チャネルレイアウト、信号の持続時間の変化は、既存のモデルが扱うように設計されていない不均一な記録を生成し、新しいヘッドセットやデータセットを別々のモデル開発問題として扱う。 この断片化は、マルチデータセット学習を制限し、知識伝達を妨げるとともに、モデルの再利用性を低下させる。 この制限に対処するため,脳波認証のための再利用可能な基礎モデルであるNeuroShieldを提案する。 我々は15{,}762の被験者と28{,}116のセッションからなる3つの公開脳波データセットにNeuroShieldを事前訓練し、2つの未知の下流データセットの転送を評価する。 評価の結果,微調整後,NeuroShieldの誤差率は0.44～8.06ポイント減少することがわかった。 NeuroShieldはさらに、トレーニング中に見られるセグメントよりも長いセグメントに一般化し、事前トレーニング中に遭遇しないチャネルレイアウトにわたって運用する。 これらの結果から、NeuroShieldは不均一な記録環境における再利用可能な、適応可能なEEGアイデンティティエンコーダとして確立された。 再現性とコミュニティの採用をサポートするオープンソースとしてNeuroShieldをリリースする。

関連論文リスト

• Pretraining for Sample-Efficient Neural Interfaces [0.0509780930114934]
  自己教師付き事前トレーニングは異種iEEG記録をまたいでスケールし、新しい被験者の正確な復号に必要なラベル付きデータを削減できる。 我々は,2つの空間エンコーディング,解剖学的領域埋め込み,相対的位置エンコーディングを備えたバニラマスク型オートエンコーダMAPAを提案する。
  論文  参考訳（メタデータ） (2026-09-11T20:12:42Z)
• Cross-Subject Intracranial EEG Reconstruction from Scalp Recordings Using Multi-Scale Cross-Attention Transformers [0.0]
  頭蓋内脳波(iEEG)は、臨床および脳-コンピュータインターフェースに必須の高忠実性神経記録を提供する。 本研究では, 他者に対して訓練したモデルを用いて頭蓋内信号の予測を行うことにより, クロスオブジェクトiEEG再建の課題に対処する。
  論文  参考訳（メタデータ） (2026-05-17T10:43:25Z)
• UniBCI: Towards a Unified Pretrained Model for Invasive Brain-Computer Interfaces [7.71021447675552]
  既存のアプローチでは、限られたスケールの異種データ、クロスドメインの分散シフト、トレーニング可能なニューラルネットワークの削減など、重要な課題に直面している。 本研究では、侵襲的脳インターフェイスのための統合された事前学習モデルを提案する。 結果は、UniBCIが汎用神経基盤モデルへの実践的なステップを提供することを示唆している。
  論文  参考訳（メタデータ） (2026-04-30T06:30:24Z)
• Preventing Data Leakage in EEG-Based Survival Prediction: A Two-Stage Embedding and Transformer Framework [0.6509758931804478]
  深層学習モデルは、心停止後のコマトース患者の脳波による予後予測において有望であることが示されている。 しかし、その信頼性はしばしば微妙なデータ漏洩によって損なわれます。 本研究では,多段階脳波モデリングパイプラインにおいて,これまで見過ごされていたデータ漏洩形態を同定する。
  論文  参考訳（メタデータ） (2026-03-26T21:28:23Z)
• Self-Supervised Learning via Flow-Guided Neural Operator on Time-Series Data [57.85958428020496]
  Flow-Guided Neural Operator (FGNO)は、演算子学習とフローマッチングを組み合わせた新しいフレームワークである。 FGNOは、短時間フーリエ変換を用いて関数空間のマッピングを学習し、異なる時間分解能を統一する。 推論中にノイズのある入力を使用する以前の生成SSL法とは異なり、ノイズのある表現を学習しながら、クリーンな入力を用いて表現抽出を行う。
  論文  参考訳（メタデータ） (2026-02-12T18:54:57Z)
• 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)
• A Dataset for Semantic Segmentation in the Presence of Unknowns [49.795683850385956]
  既存のデータセットは、既知のものや未知のもののみの評価を可能にするが、両方ではない。 乱雑な実環境からの多様な異常な入力を特徴とする,新しい異常セグメンテーションデータセットISSUを提案する。 データセットは、既存の異常セグメンテーションデータセットの2倍大きい。
  論文  参考訳（メタデータ） (2025-03-28T10:31:01Z)
• CEReBrO: Compact Encoder for Representations of Brain Oscillations Using Efficient Alternating Attention [46.47343031985037]
  交互注意(CEReBrO)を用いた脳振動の表現のための圧縮法について紹介する。 トークン化方式は、チャネルごとのパッチで脳波信号を表現します。 本研究では,チャネル内時間的ダイナミックスとチャネル間空間的相関を共同でモデル化し,通常の自己アテンションに比べて6倍少ないメモリで2倍の速度向上を実現するための注意機構を提案する。
  論文  参考訳（メタデータ） (2025-01-18T21:44:38Z)
• Continuous time recurrent neural networks: overview and application to forecasting blood glucose in the intensive care unit [56.801856519460465]
  連続時間自己回帰リカレントニューラルネットワーク(Continuous Time Autoregressive Recurrent Neural Network, CTRNN)は、不規則な観測を考慮に入れたディープラーニングモデルである。 重篤なケア環境下での血糖値の確率予測へのこれらのモデルの適用を実証する。
  論文  参考訳（メタデータ） (2023-04-14T09:39:06Z)
• Diffusion Recommender Model [85.9640416600725]
  そこで我々は,DiffRecと呼ばれる新しい拡散レコメンダモデルを提案し,その生成過程を認知的に学習する。 ユーザインタラクションにおけるパーソナライズされた情報を維持するため、DiffRecは追加のノイズを低減し、画像合成のような純粋なノイズに対するユーザのインタラクションを損なうことを避ける。
  論文  参考訳（メタデータ） (2023-04-11T04:31:00Z)
• Deep Neural Imputation: A Framework for Recovering Incomplete Brain Recordings [29.439909786675216]
  空間的位置, 日, 参加者間で収集されたデータから学習することで, 電極から欠落した値を復元する枠組みを提案する。 1つのディープオートエンコーダモデルが個別に参加者をモデル化し、もう1つはこのアーキテクチャを拡張して多数の参加者を共同でモデル化する。 DNIは時系列だけでなく、周波数内容も復元し、さらにDNIの実用的価値を確立していることを示す。
  論文  参考訳（メタデータ） (2022-06-16T11:20:11Z)
• Convolutional Neural Networks for Sleep Stage Scoring on a Two-Channel EEG Signal [63.18666008322476]
  睡眠障害は、世界中の主要な病気の1つです。 専門家が使用する基本的なツールはPolysomnogramで、睡眠中に記録された様々な信号の集合である。 専門家は、標準的なガイドラインの1つに従って異なる信号を採点する必要があります。
  論文  参考訳（メタデータ） (2021-03-30T09:59:56Z)
• Generative Autoencoder Kernels on Deep Learning for Brain Activity Analysis [3.04585143845864]
  HessELM-AE (Hessenberg decomposition-based ELM autoencoder) は、入力データの異なる表示を生成する新しいカーネルである。 本研究の目的は、脳卒中患者の脳波(EEG)に対する臨床的有用性のための新しいDeep AEカーネルの性能を分析することである。
  論文  参考訳（メタデータ） (2021-01-21T08:19:47Z)

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。