論文の概要: Towards Robust EEG Decoding Based on Riemannian Self-Attention
- arxiv url: http://arxiv.org/abs/2606.25456v1
- Date: Wed, 24 Jun 2026 06:31:20 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-25 17:05:30.246219
- Title: Towards Robust EEG Decoding Based on Riemannian Self-Attention
- Title（参考訳）: リーマン自己注意に基づくロバスト脳波復号に向けて
- Abstract要約: 脳波(EEG)に基づく脳-コンピュータインタフェース(BCI)は、補助技術、リハビリテーション、エンターテイメントに重要な応用がある。
近年,Symmetric Positive Definite (SPD) 学習に基づく脳波復号法は優れた性能を示した。
これらの手法は通常、基本的なネットワークアーキテクチャを使用し、EEG信号間の局所的な関係を明示的に捉えない。
この制限は、信号対雑音比(SNR)が本質的に低いため、脳波信号に問題となる。
- 参考スコア（独自算出の注目度）: 49.95065559566893
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Brain-Computer Interface (BCI) based on electroencephalography (EEG) enables direct interaction between the brain and external environments and has significant applications in assistive technologies, medical rehabilitation, and entertainment. Recently, EEG decoding methods based on Symmetric Positive Definite (SPD) learning have demonstrated superior performance. However, these methods typically employ basic network architectures and do not explicitly capture local relationships between EEG signals. This limitation is problematic for EEG signals due to their inherently low Signal-to-Noise Ratio (SNR). Moreover, most existing Riemannian manifold-based methods are restricted to specific metrics. The most widely used is the Affine-Invariant Metric (AIM). However, it has a quadratic dependency on the SPD matrices and cannot handle ill-conditioned SPD matrices, which hinders the effectiveness of networks. In contrast, the Bures-Wasserstein Metric (BWM) exhibits linear dependence on SPD matrices and demonstrates superior performance for ill conditioning. To overcome these challenges, we propose a Riemannian self-attention network based on the BWM. Additionally, the recently introduced power-deformed generalized Bures-Wasserstein metric reveals a nonlinear relationship between SPD matrices and matrix power deformation. This metric provides a more nuanced representation of the geometric structure of the SPD manifold. Consequently, we extend our model to a learnable version. For simplicity, we refer to it as GBWAtt. Experimental results on three EEG benchmarking datasets validate the robustness and effectiveness of our proposed method. The code is available at https://github.com/jissc/GBWAtt.
- Abstract（参考訳）: 脳波(EEG)に基づく脳-コンピュータインタフェース(BCI)は、脳と外部環境の直接的な相互作用を可能にし、補助技術、リハビリテーション、エンターテイメントに重要な応用がある。
近年,Symmetric Positive Definite (SPD) 学習に基づく脳波復号法の性能が向上している。
しかし、これらの手法は一般的に基本的なネットワークアーキテクチャを使用し、EEG信号間の局所的な関係を明示的に捉えない。
この制限は、信号対雑音比(SNR)が本質的に低いため、脳波信号に問題となる。
さらに、既存のリーマン多様体に基づく方法の多くは、特定の測度に制限されている。
最も広く使われているのはAffine-Invariant Metric (AIM)である。
しかし、SPD行列に二次的依存を持ち、不条件のSPD行列を扱えないため、ネットワークの有効性を損なう。
対照的に、ビューレス=ヴァッサーシュタイン計量(BWM)はSPD行列に線形依存を示し、悪条件下での優れた性能を示す。
これらの課題を克服するために,BWMに基づくリーマン自己注意ネットワークを提案する。
さらに、最近導入されたパワー変形一般化されたビューレス=ヴァッサーシュタイン計量は、SPD行列と行列パワー変形の間の非線形関係を明らかにする。
この計量は、SPD多様体の幾何学的構造のよりニュアンスな表現を与える。
その結果、我々はモデルを学習可能なバージョンに拡張した。
単純性については、GBWAttと呼ぶ。
3つのEEGベンチマークデータセットの実験結果から,提案手法のロバスト性と有効性について検証した。
コードはhttps://github.com/jissc/GBWAtt.comで入手できる。
関連論文リスト
- Rectifying Geometric Misalignment: Online Source-Free Adaptation for Class-Imbalanced EEG [7.275134628956466]
オンラインBCIシナリオでは、ラベルの分布は動的に変化する(ラベルシフト)。
ラベルシフトに対応するために設計された幾何自由オンラインUDAフレームワークであるOSPDIM(Online SPD manifold information framework)を提案する。
グローバルバッチ統計に依存するオフラインメソッドとは異なり、OSPDIMはバイアスを推定し、修正する。
論文 参考訳（メタデータ） (2026-08-05T18:17:59Z) - Learning to Normalize on the SPD Manifold under Bures-Wasserstein Geometry [11.846361701184254]
共分散行列は多くの科学分野において非常に有効であることが証明されている。
表現学習における主要な課題は、この基礎となる幾何学的構造を尊重することである。
本稿では,学習可能なパラメータを組み込んだ新しいRBNアルゴリズムを提案する。
論文 参考訳（メタデータ） (2025-04-01T11:12:58Z) - Geodesic Optimization for Predictive Shift Adaptation on EEG data [53.58711912565724]
ドメイン適応メソッドは、$X$と$y$で分散シフトが同時に発生したときに苦労する。
本稿では,GOPSA(Geodesic Optimization for Predictive Shift Adaptation)と呼ばれる新しい手法を提案する。
GOPSAは、脳波のバイオメディカル応用のための混合効果モデリングと機械学習を併用する可能性を持っている。
論文 参考訳（メタデータ） (2024-07-04T12:15:42Z) - Geometric Neural Network based on Phase Space for BCI-EEG decoding [2.8196015357423376]
ディープラーニングアルゴリズムの脳信号解析への統合は、まだ初期段階にある。
EEGは、非侵襲的で費用効果の高い性質と時間分解能に優れたため、BCIシステムを設計するための広く採用されている選択である。
本稿では、位相SPDNetアーキテクチャを提案し、その性能と結果の解釈可能性について分析する。
論文 参考訳（メタデータ） (2024-03-08T19:36:20Z) - Riemannian Self-Attention Mechanism for SPD Networks [34.794770395408335]
本稿では,SPD多様体自己アテンション機構(SMSA)を提案する。
構造化表現の識別を改善するためにSMSAベースの幾何学習モジュール(SMSA-GL)を設計する。
論文 参考訳（メタデータ） (2023-11-28T12:34:46Z) - Large-Scale OD Matrix Estimation with A Deep Learning Method [70.78575952309023]
提案手法は,ディープラーニングと数値最適化アルゴリズムを統合し,行列構造を推論し,数値最適化を導出する。
大規模合成データセットを用いて,提案手法の優れた一般化性能を実証するために実験を行った。
論文 参考訳（メタデータ） (2023-10-09T14:30:06Z) - Riemannian Multinomial Logistics Regression for SPD Neural Networks [60.11063972538648]
本稿では,Symmetric Positive Definite (SPD) 行列のための新しいタイプのディープニューラルネットワークを提案する。
我々のフレームワークは、既存のSPDネットワークで最も人気のあるLogEig分類器について、斬新な説明を提供する。
本手法の有効性は,レーダ認識,人行動認識,脳波分類(EEG)の3つの応用で実証された。
論文 参考訳（メタデータ） (2023-05-18T20:12:22Z) - mSPD-NN: A Geometrically Aware Neural Framework for Biomarker Discovery
from Functional Connectomics Manifolds [8.37609145576126]
本稿では,コネクトーム,すなわちmSPD-NNのための幾何学的認識型ニューラルネットワークフレームワークを提案する。
我々は,SPD平均推定のための一般的な選択肢に対するmSPD-NNの有効性を実証した。
ADHD-ASD併用性および健常者におけるネットワークの微妙な差異に関連する安定なバイオマーカーを明らかにする。
論文 参考訳（メタデータ） (2023-03-27T08:30:11Z) - Adaptive Log-Euclidean Metrics for SPD Matrix Learning [73.12655932115881]
広く使われているログユークリッド計量(LEM)を拡張した適応ログユークリッド計量(ALEM)を提案する。
実験および理論的結果から,SPDニューラルネットワークの性能向上における提案手法の有効性が示された。
論文 参考訳（メタデータ） (2023-03-26T18:31:52Z) - Repulsive Mixture Models of Exponential Family PCA for Clustering [127.90219303669006]
指数関数型家族主成分分析(EPCA)の混合拡張は、従来のEPCAよりもデータ分布に関する構造情報を符号化するように設計された。
従来のEPCAの混合は、モデルの冗長性、すなわち混合成分間の重なりが問題であり、データクラスタリングの曖昧さを引き起こす可能性がある。
本稿では, 混合成分間での反発性増感前処理を導入し, ベイズ式に分散EPCA混合(DEPCAM)モデルを開発した。
論文 参考訳（メタデータ） (2020-04-07T04:07:29Z)
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。