論文の概要: Learning Residual Kinematic Corrections for Continuous Neural Decoding via Reinforcement Learning
- arxiv url: http://arxiv.org/abs/2607.11530v1
- Date: Mon, 13 Jul 2026 13:15:18 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-14 17:47:21.480604
- Title: Learning Residual Kinematic Corrections for Continuous Neural Decoding via Reinforcement Learning
- Title（参考訳）: 強化学習による連続的ニューラルデコードのための残留運動補正の学習
- Abstract要約: CNN--LSTMデコーダ(CNN--LSTM--RL)の出力に強化学習(RL)を適用した2段階デコーダを提案する。
RLエージェントは、直接のEEG入力なしでオフラインで訓練され、代わりに予測された運動軌跡を操作して、目標軌跡に対する運動精度を最適化する。
これらの結果は、このスケーラブルなフレームワークは、追加の神経データなしでオフライン残差RLによるキネマティックエラーを補正し、神経リハビリテーション、補綴、仮想相互作用を前進させることにより、3D BCI MIデコーディングを強化することを示している。
- 参考スコア（独自算出の注目度）: 2.9958775201873205
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Decoding continuous three-dimensional (3D) motor imagery (MI) using non-invasive electroencephalography (EEG)-based brain--computer interfaces (BCIs) remains challenging due to signal variability and residual decoding errors. Deep learning architectures such as convolutional neural network--long short-term memory (CNN--LSTM) models can capture spatial and temporal dynamics for continuous kinematic decoding; however, systematic residual errors persist in predicted trajectories. We propose a two-stage decoding framework that applies reinforcement learning (RL) to perform residual kinematic correction on the outputs of a CNN--LSTM decoder (CNN--LSTM--RL). The RL agent is trained offline without direct EEG input and instead operates on predicted kinematic trajectories to optimize movement accuracy relative to target trajectories. Decoding performance was quantified using Pearson correlation coefficients ($r$) and Root Mean Square Errors (RMSE) along the $x, y$, and $z$ axes. Compared to CNN--LSTM applied alone, CNN--LSTM--RL improved the mean correlation from $0.5076$ to $0.7181$ ($p = 0.0005$) in 2D and from $0.6420$ to $0.7780$ ($p = 0.0059$) in VR, with relative gains of $41.5\%$ and $21.2\%$, respectively. Correspondingly, RMSE was reduced from $0.0890$ to $0.0532$ (2D, $p < 0.0001$) and from $0.0714$ to $0.0441$ (VR, $p < 0.0001$), representing relative reductions of $40.2\%$ and $38.2\%$. These findings demonstrate that this scalable framework enhances 3D BCI MI decoding by correcting kinematic errors via offline residual RL without extra neural data, advancing neurorehabilitation, prosthetics, and virtual interaction.
- Abstract（参考訳）: 非侵襲脳波(EEG)ベースの脳-コンピュータインターフェース(BCI)を用いた連続3次元運動画像(MI)の復号化は、信号のばらつきと残差復号エラーにより依然として困難である。畳み込みニューラルネットワークのような深層学習アーキテクチャは、連続キネマティックデコーディングのための空間的・時間的ダイナミックスを捉えることができるが、予測されたトラジェクトリでは組織的残差が持続する。
我々は、CNN-LSTMデコーダ(CNN-LSTM-RL)の出力に対して、強化学習(RL)を適用して残留キネマティック補正を行う2段階デコードフレームワークを提案する。このエージェントは、直接EEG入力なしでオフラインでトレーニングされ、予測キネマティックトラジェクトリで動作精度を最適化する。デコード性能は、Pearson相関係数(r$)とRoot Mean Square Errors(RMSE)を用いて、それぞれ$x, y$, $z$xに沿って定量化され、CNN-LSTMを単独で適用し、CNN-LSTM-RLの平均相関は、0.5$6から0$0$0$0$0$0$0$0$0$0$0$0$0$0$0$0$0$0$0$0$0.0$0$0$0$0$0$0.0$0$0.0$0$0$0$0$0$0$0$0$0$0$0$0$0$0$0$0$0$0$ 0$0$0$0$0$0$0$0$0$0$0$0$0$0$0$0$0$0$0$0$0$0$0$0$0$0$0$0$0$0$0$0$0$0$0$0$0$0$0$0$0$0$0$0$0$0$0$0$0$0$ 0$0$0$0$0$0$0$0$0$0$0$0$0$0$0$0$0$0$0$0$0$0$0$0$0$0$0$0$0$0$0$0$0$0$0$0$0$0$0$0$0$0$0$0$0$0$0$0$0$0$ 0$0$0$0$0$0$0$0,0$0,0,0,0の2の2の2の2の相対で、約0の相対で、VRと2の相対で、それぞれ、それぞれ、それぞれ、それぞれ、それぞれと、それぞれ、それぞれ、それぞれ、それぞれ、それぞれ、それぞれ、それぞれ、それぞれ、それぞれ、それぞれ、それぞれ、それぞれ、それぞれ、それぞれ、それぞれ、それぞれ、それぞれ、それぞれ2段階的に2段階的に2段階的に2段階的に2段階的に2段階的に、それぞれ、それぞれ、それぞれ、それぞれ、それぞれ、それぞれ2段階、それぞれ、それぞれ、それぞれ2段階、それぞれ、それぞれ、それぞれ2段階、それぞれ、それぞれ、それぞれ、それぞれ、それぞれ、それぞれ、それぞれ、それぞれ、それぞれ、それぞれ、それぞれ、それぞれ、それぞれ、それぞれ、それぞれ、それぞれ、それぞれ、それぞれ、それぞれ、それぞれ、それぞれ、それぞれ、それぞれ、それぞれ、それぞれ、それぞれ、それぞれ、それぞれ、それぞれ、それぞれ、それぞれ、それぞれ、それぞれ、それぞれ、それぞれ、それぞれ、それぞれ、それぞれ、それぞれ、それぞれ、それぞれ、それぞれ、それぞれ、それぞれ、それぞれ、それぞれ、それぞれ、それぞれ、それぞれ、それぞれ
RMSEは0.0890$から0.0532$(2D、$p < 0.0001$)に、0.0714$から0.0441$(VR、$p < 0.0001$)に引き下げられ、相対的な40.2\%$と38.2\%$に引き下げられた。
これらの結果は、このスケーラブルなフレームワークは、追加の神経データなしでオフライン残差RLによるキネマティックエラーを補正し、神経リハビリテーション、補綴、仮想相互作用を前進させることにより、3D BCI MIデコーディングを強化することを示している。
関連論文リスト
- Reducing ANN-SNN Conversion Error via Residual Membrane Potential Alignment [52.910770415431244]
スパイキングニューラルネットワーク(SNN)は、ニューロモルフィックコンピューティングのコアアーキテクチャとして機能する。
ANN-SNN変換は、低レイテンシでエネルギー効率のよい推論のために、よく訓練されたANN重みを再利用することで問題を回避している。
既存の変換方式は、小さなタイミングで精度の低下、大きな推論遅延、累積量子化誤差に悩まされている。
論文 参考訳（メタデータ） (2026-08-14T04:46:03Z) - When is 3D Worth It? A Resource-Performance Frontier for CNNs and Transformers in Lung CT [0.0]
我々は、入力次元が畳み込みニューラルネットワーク(CNN)と視覚変換器(ViT)のモデル行動にどう影響するかを研究する。
クラス不均衡な肺がんスクリーニング分類では、2Dと2.5Dの入力は、完全な3D表現よりもパフォーマンス、安定性、計算効率のトレードオフがより信頼できる。
論文 参考訳（メタデータ） (2026-06-05T06:24:20Z) - Physics-Informed Learning of Effective Error Processes from Limited Noisy Transmon Measurements for Robust QAOA Reliability [0.0]
有限ショット計測から有効な量子誤り過程を学習するための物理インフォームドパイプラインを提案する。
学習された表現はコンパクトな有効モデルである: 各キュービットに対する局所アフィンブロッホチャネル、および3キュービット拡張において、相関エラーをキャプチャするペアワイズ残差である。
結果は、より信頼性の高い変動量子アルゴリズムへのハードウェア対応ルートとして、効果的なエラー処理学習をサポートする。
論文 参考訳（メタデータ） (2026-05-29T20:58:00Z) - INC: An Indirect Neural Corrector for Auto-Regressive Hybrid PDE Solvers [61.84396402100827]
本稿では,学習した補正を支配方程式に統合する間接ニューラルコレクタ(mathrmINC$)を提案する。
$mathrmINC$は、$t-1 + L$の順番でエラー増幅を減らし、$t$はタイムステップ、$L$はリプシッツ定数である。
大規模なベンチマークで$mathrmINC$をテストし、1Dカオスシステムから3D乱流まで、多くの異なる解法、神経バックボーン、テストケースをカバーした。
論文 参考訳（メタデータ） (2025-11-16T20:14:28Z) - Real-time nonlinear inversion of magnetic resonance elastography with operator learning [0.06797079068199119]
oNLIフレームワークは、NLIに匹敵する空間精度を持つエラストグラムのリアルタイムMREインバージョン(30,000倍高速化)を可能にする。
MRE文学におけるソフト事前正規化に類似した構造的事前機構が,空間的精度を向上させるために組み込まれている。
論文 参考訳（メタデータ） (2025-10-03T08:55:40Z) - R-Stitch: Dynamic Trajectory Stitching for Efficient Reasoning [80.104336426172]
CoT(Chain-of- Thought)は、大規模言語モデルの問題解決能力を高める。
CoTは長い自己回帰軌道のためにかなりの推論コストを発生させる。
トレーニング不要なハイブリッドデコーディングフレームワークであるR-Stitchを紹介する。
論文 参考訳（メタデータ） (2025-07-23T08:14:36Z) - ApproxDARTS: Differentiable Neural Architecture Search with Approximate Multipliers [0.24578723416255746]
本稿では、DARTSと呼ばれる一般的な微分可能なニューラルアーキテクチャ探索手法を応用し、近似乗算器を活用可能なニューラルアーキテクチャ探索(NAS)手法であるApproxDARTSを提案する。
ApproxDARTSは10ドル未満のGPU時間で完全なアーキテクチャ検索を実行でき、畳み込み層に近似乗算器を含む競合畳み込みニューラルネットワーク(CNN)を生成する。
論文 参考訳（メタデータ） (2024-04-08T09:54:57Z) - Combining SNNs with Filtering for Efficient Neural Decoding in Implantable Brain-Machine Interfaces [0.7904805552920349]
スパイキングニューラルネットワーク(SNN)は、リソース効率の良いニューラルデコードのための有望なソリューションとして出現する。
LSTM(Long Short Term Memory)ネットワークは、最高の精度を実現する。
異なるフィルタによる結果は、最高のパフォーマンスを提供するBesselフィルタで示されます。
論文 参考訳（メタデータ） (2023-12-26T05:40:39Z) - 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) - Detecting train driveshaft damages using accelerometer signals and
Differential Convolutional Neural Networks [67.60224656603823]
本稿では,高度2次元畳み込みニューラルネットワーク(CNN)アーキテクチャに基づく鉄道軸状態監視システムの開発を提案する。
その結果,鉄道軸受振動信号を時間周波数領域表現,すなわち分光図に変換し,そのひび割れに応じて2次元CNNを訓練する。
論文 参考訳（メタデータ） (2022-11-15T15:04:06Z) - NAF: Neural Attenuation Fields for Sparse-View CBCT Reconstruction [79.13750275141139]
本稿では,スパースビューCBCT再構成のための新規かつ高速な自己教師型ソリューションを提案する。
所望の減衰係数は、3次元空間座標の連続関数として表現され、完全に接続されたディープニューラルネットワークによってパラメータ化される。
ハッシュ符号化を含む学習ベースのエンコーダが採用され、ネットワークが高周波の詳細をキャプチャするのに役立つ。
論文 参考訳（メタデータ） (2022-09-29T04:06:00Z) - Bayesian Neural Network Language Modeling for Speech Recognition [59.681758762712754]
長期記憶リカレントニューラルネットワーク(LSTM-RNN)とトランスフォーマーで表される最先端のニューラルネットワーク言語モデル(NNLM)は非常に複雑になりつつある。
本稿では,LSTM-RNN と Transformer LM の基盤となる不確実性を考慮するために,ベイズ学習フレームワークの全体構造を提案する。
論文 参考訳（メタデータ） (2022-08-28T17:50:19Z) - Decoding ECoG signal into 3D hand translation using deep learning [3.20238141000059]
運動脳-コンピュータインターフェース(Motor Brain-Computer Interface、BCI)は、運動障害者が環境と対話できる技術である。
連続手の動きを予測するために使用されるほとんどのECoG信号デコーダは線形モデルである。
多くの問題において最先端のディープラーニングモデルは、この関係をよりよく捉えるための解決策になり得る。
論文 参考訳（メタデータ） (2021-10-05T15:41:04Z)
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。