論文の概要: Coordinate-Queryable Neural Field Reconstruction for EEG Spatial Super-Resolution with Unseen-Electrode Generation

• arxiv url: http://arxiv.org/abs/2606.23707v1
• Date: Fri, 12 Jun 2026 03:48:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-28 23:46:52.317733
• Title: Coordinate-Queryable Neural Field Reconstruction for EEG Spatial Super-Resolution with Unseen-Electrode Generation
• Title（参考訳）: 非電界発生による脳波空間超解像に対する協調的クエリーニューラルネットワーク再構成
• Abstract要約: 実展開における脳波空間超解像(EEGSR)は、ランダムチャネルの欠如、不安定な電極品質、不適切な接触やデバイス変動に起因する可視チャネルパターンの変化により、課題となる。 既存のEEGSR手法の多くは、事前に定義された入出力レイアウトの下で、固定された低-高チャネルマッピングを学習する。 我々は脳波を部分的に観察された支援チャネルから共有条件頭皮領域の学習として再構成する。
• 参考スコア（独自算出の注目度）: 11.493595405428815
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: EEG spatial super-resolution (EEGSR) in real deployments is challenged by random channel missingness, unstable electrode quality, and changing visible-channel patterns caused by bad contacts or device variability. Most existing EEGSR methods learn a fixed low-to-high channel mapping under pre-defined input-output layouts, which makes them brittle when missing channels vary at test time. In this paper, we reformulate EEGSR as learning a shared conditional scalp field from partially observed support channels. Specifically, a position-guided encoder summarizes the observed EEG channels and their coordinates into a latent condition, and a conditional implicit neural representation decoder reconstructs target EEG signals by querying this condition at desired electrode coordinates. During inference, the model directly reconstructs unseen electrode signals from the available EEG support and the queried coordinates. To strengthen the constraint of the encoded latent representation on the decoder and thereby construct a more stable scalp field consistent with the observed channels, we further introduce a fidelity-preserving channel corruption training strategy under mixed electrode states. Extensive experiments across multiple EEG datasets demonstrate the effectiveness of our framework for both random missing-channel reconstruction and strict unseen-electrode signal generation. Notably, under the strict held-out-electrode setting on AAD, our method reduces NMSE by 37.5\% and improves SNR by 2.12 dB over the strongest baseline, showing its ability to synthesize signals at electrode locations never exposed during training.
• Abstract（参考訳）: 実展開における脳波空間超解像(EEGSR)は、ランダムチャネルの欠如、不安定な電極品質、不適切な接触やデバイス変動に起因する可視チャネルパターンの変化により、課題となる。 既存のEEGSRメソッドの多くは、事前に定義された入出力レイアウトの下で、固定された低から高のチャネルマッピングを学習する。 本稿では,脳波を部分的に観察された支援チャネルから共有条件の頭皮場を学習するものとして再構成する。 具体的には、位置誘導エンコーダは、観測されたEEGチャネルとその座標を潜在状態に要約し、条件付き暗黙のニューラル表現デコーダは、この条件を所望の電極座標でクエリすることで、ターゲットのEEG信号を再構成する。 推論中、モデルは利用可能なEEGサポートとクエリされた座標から見えない電極信号を直接再構成する。 符号化された遅延表現のデコーダ上の制約を強化し、観察されたチャネルと整合したより安定した頭皮場を構築するために、混合電極状態下での忠実性保存チャネル汚職訓練戦略を導入する。 複数のEEGデータセットにまたがる広範囲な実験は、ランダムな欠損チャネル再構成と厳密な未確認電極信号生成の両方において、我々のフレームワークの有効性を実証している。 特に, AAD の厳密な電界設定の下では, NMSE を 37.5 % 削減し, SNR を 2.12 dB 改善し, トレーニング中に露出しなかった電極位置で信号合成能力を示す。

関連論文リスト

• JSCGC: Joint Source-Channel-Generation Coding for Wireless Generative Communications [58.67925548779465]
  Joint Source-Channel-Generation Coding (JSCGC) は、従来のデコーダをレシーバで生成モデルに置き換えるジェネレーティブ通信パラダイムである。 JSCGCは、様々なチャネル条件にまたがるフィーチャベース、セマンティックレベル、推論品質を一貫して改善する。
  論文  参考訳（メタデータ） (2026-06-11T03:42:03Z)
• Channel-Oriented Design for EEG-to-Music Reconstruction [10.381688641790632]
  我々は,信号が弱く,分散し,ノイズやチャネルの可変性に敏感な脳波から音楽への再構成について検討した。 我々の中心的な発見は、初期のチャネル混合は弱いが差別的な脳波信号を破壊することである。 本稿では,3つの主成分を持つチャネル指向設計を提案する。
  論文  参考訳（メタデータ） (2026-06-02T04:13:37Z)
• Signal Intensity-weighted coordinate channels improve learning stability and generalisation in 1D and 2D CNNs in localisation tasks on biomedical signals [0.0]
  バイオメディカルデータにおける局所化タスクは、複雑な強度分布を持つ信号から意味のある関係を学習するモデルを必要とすることが多い。 信号強度重み付けされた座標表現を,局所的な信号強度によって拡張されたチャネルに置き換える。 この修正は入力表現に直接強度配置結合を埋め込み、単純かつモダリティに依存しない帰納バイアスを導入する。
  論文  参考訳（メタデータ） (2025-11-05T17:06:12Z)
• Spatial Imputation Drives Cross-Domain Alignment for EEG Classification [7.6720662100576895]
  本稿では,新しいチャネル依存型マスクと命令型自己教師型フレームワークであるIMACを紹介する。 IMACは、空間時系列計算タスクとしてクロスドメインデータシフトのアライメントを定式化する。 公開されている10のEEGデータセットに対する総合的な評価は、IMACの優れたパフォーマンスを示している。
  論文  参考訳（メタデータ） (2025-08-05T13:28:05Z)
• SING: Semantic Image Communications using Null-Space and INN-Guided Diffusion Models [52.40011613324083]
  近年, 無線画像伝送において, 共用音源チャネル符号化システム (DeepJSCC) が顕著な性能を発揮している。 既存の手法では、送信された画像とレシーバーの再構成されたバージョンとの間の歪みを最小限に抑えることに重点を置いており、しばしば知覚的品質を見落としている。 逆問題として,破損した再構成画像から高品質な画像の復元を定式化する新しいフレームワークであるSINGを提案する。
  論文  参考訳（メタデータ） (2025-03-16T12:32:11Z)
• CognitionCapturer: Decoding Visual Stimuli From Human EEG Signal With Multimodal Information [61.1904164368732]
  脳波信号の表現にマルチモーダルデータを完全に活用する統合フレームワークであるCognitionCapturerを提案する。 具体的には、CognitionCapturerは、各モダリティに対してモダリティエキスパートを訓練し、EEGモダリティからモダリティ情報を抽出する。 このフレームワークは生成モデルの微調整を一切必要とせず、より多くのモダリティを組み込むように拡張することができる。
  論文  参考訳（メタデータ） (2024-12-13T16:27:54Z)
• You Only Acquire Sparse-channel (YOAS): A Unified Framework for Dense-channel EEG Generation [7.507775056200206]
  スパースチャネル脳波信号から高密度チャネルデータを生成するためのフレームワークを開発する。 YOASは、データ準備、データ前処理、バイアスドEEG生成、合成EEG生成の4段階からなる。 疎チャネルデータから高密度チャネルEEG信号を生成するこのブレークスルーは、EEG信号処理と応用の新たな道を開く。
  論文  参考訳（メタデータ） (2024-06-21T16:04:14Z)
• Tackling Electrode Shift In Gesture Recognition with HD-EMG Electrode Subsets [0.8192907805418583]
  入力チャネルサブセットの集合に関するトレーニングを提案し、異なる電極位置のデータを用いてトレーニング分布を増強する。 本手法は,電極シフトに対するロバスト性を高め,被検体と分類アルゴリズム間の干渉性能を著しく向上させる。
  論文  参考訳（メタデータ） (2024-01-05T12:13:00Z)
• DGSD: Dynamical Graph Self-Distillation for EEG-Based Auditory Spatial Attention Detection [49.196182908826565]
  AAD(Auditory Attention Detection)は、マルチスピーカー環境で脳信号からターゲット話者を検出することを目的としている。 現在のアプローチは主に、画像のようなユークリッドデータを処理するために設計された従来の畳み込みニューラルネットワークに依存している。 本稿では、入力として音声刺激を必要としないAADのための動的グラフ自己蒸留(DGSD)手法を提案する。
  論文  参考訳（メタデータ） (2023-09-07T13:43:46Z)
• Robust learning from corrupted EEG with dynamic spatial filtering [68.82260713085522]
  実験室の外で記録されたEEGを使用して機械学習モデルを構築するには、ノイズの多いデータとランダムに欠落するチャネルにロバストな方法が必要である。 ニューラルネットワークの第1層の前に挿入可能なマルチヘッドアテンションモジュールである動的空間フィルタリング(DSF)を提案する。 筆者らは, チャネル汚損を模擬した4000件の録音を含む公開脳波データと, 自然汚損をともなう移動脳波の自家記録100件のプライベートデータセットを用いて, DSFを試験した。
  論文  参考訳（メタデータ） (2021-05-27T02:33:16Z)
• Learning from Heterogeneous EEG Signals with Differentiable Channel Reordering [51.633889765162685]
  CHARMは、一貫性のない入力チャネルをまたいだ単一のニューラルネットワークのトレーニング方法である。 我々は4つの脳波分類データセットの実験を行い、CHARMの有効性を実証した。
  論文  参考訳（メタデータ） (2020-10-21T12:32:34Z)

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。