論文の概要: Average Rankings Mask Per-Subject Optimality: A Friedman-Nemenyi Benchmark of EEG Motor-Imagery BCI Decoders

• arxiv url: http://arxiv.org/abs/2606.24394v1
• Date: Tue, 23 Jun 2026 10:26:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-24 22:16:48.900572
• Title: Average Rankings Mask Per-Subject Optimality: A Friedman-Nemenyi Benchmark of EEG Motor-Imagery BCI Decoders
• Title（参考訳）: A average Rankings Mask Per-Subject Optimality: A Friedman-Nemenyi Benchmark of EEG Motor-Imagery BCI Decoders
• Authors: Xavier Vasques, Paul Barbaste, Olivier Oullier,
• Abstract要約: 1,056のデコード構成と340,000の主観レベルモデルを評価した。 すべてのモデルは、単一の参加者の1つのセッションで適合し、テストされます。 最も簡単な体制でも、単一のパイプラインが支配的になることはない。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Electroencephalography (EEG) is the dominant non-invasive modality for brain-computer interfaces (BCIs), yet reliable decoding of motor imagery is hampered by inter- and intra-individual variability. A recurring claim is that one decoding pipeline, most often a spatial or Riemannian method, is broadly preferable. We test the weakest version of that claim under the most favourable conditions. Using the Mother of All BCI Benchmarks (MOABB) framework, we evaluated 1,056 decoding configurations (feature extractor x scaler x classifier), >340,000 subject-level model fits, across three public left-versus-right motor-imagery datasets (PhysionetMI, 109 participants; Cho2017, 52; Zhou2016, 4) and two frequency bands (8-15 Hz, 8-30 Hz). Every model is fit and tested within a single session of a single participant, the easiest regime, giving every pipeline its best chance. We apply the statistics standard for multi-classifier comparison: Friedman omnibus tests, Nemenyi critical-difference analysis and Wilcoxon signed-rank tests with effect sizes. Covariance tangent-space projection (cov-tgsp) and Common Spatial Patterns (CSP) are the strongest families, but their ordering is dataset-dependent and, on the largest and most heterogeneous cohort (PhysionetMI), statistically indistinguishable (Nemenyi p = 0.27; Kendall's W = 0.11). At the individual level the single best pipeline is optimal for only 35% of PhysionetMI participants, and nonlinear descriptors are best for roughly one third; matching pipeline to participant adds about seven accuracy points over the best fixed choice. The ranking is not an artefact of dimensionality, and classifier and scaler choices are secondary to the feature representation. Even in the easiest regime, no single pipeline dominates: a lower bound on the personalization problem and a quantitative case for participant-aware model selection rather than a universal decoder.
• Abstract（参考訳）: 脳波 (EEG) は脳-コンピュータインターフェース (BCI) の非侵襲的非侵襲的モダリティであり, 運動画像の復号化は個体間および個体間変動によって妨げられる。 繰り返し主張される主張は、しばしば空間的あるいはリーマン的手法である1つの復号パイプラインが広く好まれるということである。 我々は最も有利な条件下で、その主張の最も弱いバージョンをテストする。 The Mother of All BCI Benchmarks (MOABB) framework, we evaluate 1,056 decoding configurations (feature extractor x scaler x classifier), >340,000 subject-level model fits, across three public left-versus-right motor-imagery datasets (PhysionetMI, 109 participants; Cho2017, 52; Zhou2016, 4) and two frequency bands (8-15 Hz, 8-30 Hz)。 すべてのモデルは、単一の参加者の1つのセッション、最も簡単なレシエーションに適合してテストされ、すべてのパイプラインに最高のチャンスを与えます。 我々は,Friedman omnibus test,Nemenyi critical-difference analysis,Wilcoxon signed-rank tests with effect sizeという多クラス比較の統計基準を適用した。 共分散接空間射影 (cov-tgsp) と共通空間パターン (Common Spatial Patterns, CSP) は最強のファミリーであるが、その順序はデータセットに依存しており、最も大きく最も異質なコホート (PhysionetMI) では統計的に区別できない(Nemenyi p = 0.27; Kendall's W = 0.11)。 個々のレベルでは、シングルベストパイプラインはフィロネミ参加者の35%に最適であり、非線形ディスクリプタはおよそ3分の1に最適である。 ランク付けは次元の人工物ではなく、分類器とスケーラの選択は特徴表現に二次的である。 パーソナライズ問題に対する低い境界と、ユニバーサルデコーダよりも参加者対応モデル選択の定量的ケースである。

関連論文リスト

• SciOrch: Learning to Orchestrate Expert LLMs for Solving Frontier Multimodal Scientific Reasoning Tasks [65.14594927081983]
  SciOrchは、科学的な推論のためにフロンティアLSMを編成する軽量8Bモデルを訓練するフレームワークである。 SGI-ReasoningとScientificsの最初の試験にまたがる240回の試験セットでは、SciOrchの平均精度は56.66%に達した。 また、一般的なマルチエージェントメソッドのAPIコストの半分未満で、SGIとSFEの両方で最高の精度を実現する。
  論文  参考訳（メタデータ） (2026-06-14T15:45:34Z)
• Off-the-Shelf LLMs as Process Scorers: Training-Free Alternative to PRMs for Mathematical Reasoning [51.88950852117154]
  Chunk-Level Guided Generationは、既製の大規模言語モデルをプロセススコアラとして使用する、トレーニング不要の代替手段である。 本研究では,系統的な長さバイアスのため,大モデル確率の可変長推論ステップが信頼できないことを示す。 Chunk-Level Guided Generation は PRM guided search よりもかなり短い推論トレースを生成する。
  論文  参考訳（メタデータ） (2026-06-01T04:43:36Z)
• Submodular Benchmark Selection [51.56484100374058]
  選択されたベンチマークと残りのベンチマークの間のエントロピーと相互情報は、自然な目的として生じる。 10の公開リーダーボードによる3つの行列の実験では、相互情報選択は小さなサブセットでの計算においてエントロピーよりも優れていた。
  論文  参考訳（メタデータ） (2026-05-04T04:17:02Z)
• Rethinking Generalized BCIs: Benchmarking 340,000+ Unique Algorithmic Configurations for EEG Mental Command Decoding [0.0]
  本稿では,空間的脳波と非線形脳波の340,000以上の一意な組み合わせについて評価する。 脳波の運動画像パターンを全ユーザやデータセットで最適にデコードする,汎用的な"ワンサイズフィットオール"手法は存在しない。
  論文  参考訳（メタデータ） (2025-12-02T17:56:46Z)
• DISCO: Diversifying Sample Condensation for Efficient Model Evaluation [59.01400190971061]
  コスト評価は傾向を低下させ、イノベーションのサイクルを遅くし、環境への影響を悪化させる。 モデル応答の多様性を最大化するサンプルを選択することが重要となる。 我々のメソッドである$textbfDiversifying Sample Condensation (DISCO)$は、最も大きなモデル不一致を持つトップkサンプルを選択します。
  論文  参考訳（メタデータ） (2025-10-09T08:53:59Z)
• MedSegMamba: 3D CNN-Mamba Hybrid Architecture for Brain Segmentation [15.514511820130474]
  我々は皮質下脳分割のための3DパッチベースのハイブリッドCNN-Mambaモデルを開発した。 モデルの性能をいくつかのベンチマークで検証した。
  論文  参考訳（メタデータ） (2024-09-12T02:19:19Z)
• WaferSegClassNet -- A Light-weight Network for Classification and Segmentation of Semiconductor Wafer Defects [3.1806743741013648]
  本稿では,エンコーダ-デコーダアーキテクチャに基づく新しいネットワークである WaferSegClassNet (WSCN) について述べる。 WSCNは単一および混合型ウェハ欠陥の同時分類とセグメンテーションを行う。 MixedWM38データセットでセグメンテーション結果を示すのはこれが初めてです。
  論文  参考訳（メタデータ） (2022-07-03T05:46:19Z)
• Least Squares Regression with Markovian Data: Fundamental Limits and Algorithms [69.45237691598774]
  マルコフ連鎖からデータポイントが依存しサンプリングされる最小二乗線形回帰問題について検討する。 この問題を$tau_mathsfmix$という観点から、鋭い情報理論のミニマックス下限を確立する。 本稿では,経験的リプレイに基づくアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-06-16T04:26:50Z)
• AvgOut: A Simple Output-Probability Measure to Eliminate Dull Responses [97.50616524350123]
  機能エンジニアリングなしで、どの発話やトークンが退屈であるかを動的に認識する対話モデルを構築します。 最初のモデルMinAvgOutは、各バッチの出力分布を通して、ダイバーシティスコアを直接最大化する。 第2のモデルであるラベルファインチューニング(LFT)は、多様性スコアによって連続的にスケールされたラベルをソースシーケンスにプリペイドし、多様性レベルを制御する。 3つ目のモデルであるRLは強化学習を採用し、多様性スコアを報奨信号として扱う。
  論文  参考訳（メタデータ） (2020-01-15T18:32:06Z)

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。