論文の概要: Overcoming the BCI Calibration Bottleneck: A Clinically-Grounded Architecture using Riemannian Alignment and Stochastic Weight Averaging
- arxiv url: http://arxiv.org/abs/2607.16225v1
- Date: Fri, 19 Jun 2026 22:18:39 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-27 00:46:13.043386
- Title: Overcoming the BCI Calibration Bottleneck: A Clinically-Grounded Architecture using Riemannian Alignment and Stochastic Weight Averaging
- Title（参考訳）: BCI校正ボトルネックを克服する:リーマンアライメントと確率ウェイト平均化を用いた臨床応用アーキテクチャ
- Abstract要約: Brain-Computer Interfaces (BCI) は、クロスオブジェクトの共分散シフトと生理学的アーティファクトによって深刻なキャリブレーションのボトルネックに直面している。
ゼロ校正BCIを実現するため、SWA(Weight Averaging)によって安定化されたPerSession Independent Component Analysis、Euclidian Alignment、EEGNetを組み合わせたディープラーニングパイプラインが開発された。
主症例として, 臨床的に堅牢なSWAの空間精度90.97%(AUC:0.976, Cohen's $$:0.819)が得られた。
拡張された9-fold leaves-One-Subject-Out (LOSO) クロスバリデーションは世界規模で得られた
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Brain-Computer Interfaces (BCIs) face a severe calibration bottleneck due to cross-subject spatial covariance shifts and physiological artifacts. To enable zero-calibration BCI, a deep learning pipeline was engineered combining Per-Session Independent Component Analysis, Riemannian Euclidean Alignment, and EEGNet stabilized by Stochastic Weight Averaging (SWA). Evaluated on the strict MOABB BNCI2014-001 benchmark, the proposed architecture successfully isolates true sensorimotor rhythms. For the primary case study (Subject 1), a clinically robust SWA stable accuracy of 90.97% (AUC: 0.976, Cohen's $κ$: 0.819) was achieved. Furthermore, expanded 9-fold Leave-One-Subject-Out (LOSO) cross-validation yielded a globally stable mean accuracy of 74.31%, proving hardware-agnostic zero-shot efficacy for binary motor imagery.
- Abstract（参考訳）: Brain-Computer Interfaces (BCI) は、クロスオブジェクト空間の共分散シフトと生理学的アーティファクトによって、深刻なキャリブレーションのボトルネックに直面している。
ゼロ校正BCIを実現するため、SWA(Stochastic Weight Averaging)によって安定化されたPer-Session Independent Component Analysis、Riemannian Euclidean Alignment、EEGNetを組み合わせたディープラーニングパイプラインが開発された。
厳密なMOABB BNCI2014-001ベンチマークに基づいて、提案アーキテクチャは真の感覚運動のリズムを分離することに成功した。
症例1では,90.97%(AUC:0.976,Cohen's $κ$:0.819)の安定度が得られた。
さらに、拡張された9倍のLeave-One-Subject-Out (LOSO)クロスバリデーションにより、平均精度は74.31%となり、バイナリモーター画像に対するハードウェアに依存しないゼロショットの有効性が証明された。
関連論文リスト
- A Deep Learning-Based Stacking Ensemble Framework for Turbofan Engine Remaining Useful Life Prediction [0.8427427828815585]
本研究では,ターボファンエンジンの寿命予測のための2段積み重ねアンサンブルフレームワークを提案する。
このフレームワークは、Long Short-Term Memory (LSTM)、Convolutional Neural Network (CNN)、CNN-LSTM、CNN-GRUの4つの異種ディープラーニングベースラーナを統合している。
実験により、積み重ねアンサンブルが優れた予測性能を達成することが示された。
論文 参考訳（メタデータ） (2026-08-28T05:27:51Z) - Adaptive Bregman Proximal Stochastic Gradient with a Stabilized Barzilai--Borwein Step Size [43.46286813814826]
Bregman finite proximal ergo gradient (BPSG) 法は、ユークリッドの滑らかさによって幾何が不十分な対象に分散還元された合成サイズをもたらす。
生の曲率推定は変動するが、行検索は繰り返し検索を追加する。
本稿では,スパース値と非負行列分解率を組み合わせた線探索手法であるAdaBPSGを紹介する。
論文 参考訳（メタデータ） (2026-08-12T12:46:05Z) - Post-Operative Glioma Segmentation via Loss Stabilization, Normalization and Subspace Attention [46.03321798937855]
ドメインシフトの際,GDL(Generalized Dice Loss)が不安定であることを示す。
本稿では,ボトルネック機能を再校正するサブスペース・アウェア・クラス・アテンション(SACA)モジュールを提案し,腫瘍の感度を8%向上させる。
論文 参考訳（メタデータ） (2026-07-23T09:59:30Z) - Clipping Bottleneck: Stabilizing RLVR via Stochastic Recovery of Near-Boundary Signals [83.0127582612634]
Near-boundary Rescue (NSR) は最小限のプラグ・アンド・プレイの修正であり、失った信号を回復するために、アウト・オブ・バウンドトークンを保持する。
NSRはトレーニングの安定性を大幅に改善し、DAPOやGSPOといった強力なベースライン上で一貫したゲインを提供する。
論文 参考訳（メタデータ） (2026-05-21T16:45:31Z) - Amplifying, Not Learning: Fine-Tuned AI Text Detectors Amplify a Pretrained Direction [51.56484100374058]
テキスト検出器は、事前訓練された典型軸を増幅する。
タスク監督前の生エンコーダでは、3つのアーキテクチャでNYT-vs-HC3 AUROC 0.806/0.944/0.834を達成する。
RoBERTaベースでは、生のプロジェクションは微調整を超えるが、RoBERTaベースでは、フル微調整は、試験された流線型人口の双方で生よりも識別を小さくする。
論文 参考訳（メタデータ） (2026-05-20T19:08:38Z) - A Nonlinear Complexity Index for Wearable PPG Cardiovascular Stability: Multiscale Validation, Systematic Evaluation Correction, and Bayesian Parameter Optimization [1.1344265020822928]
心血管安定性指数 (SCSI) を導入し, 4つの異種時間尺度から176,742セグメントで検証した。
我々は,真のベースラインから0.5732まで成分を注入する3つの評価アーティファクトを同定した。
論文 参考訳（メタデータ） (2026-05-11T13:55:30Z) - Robustness Evaluation of a Foundation Segmentation Model Under Simulated Domain Shifts in Abdominal CT: Implications for Health Digital Twin Deployment [0.0]
SAM(Segment Anything Model)のような基盤セグメンテーションモデルは、自然画像全体にわたって強力な一般化を実証している。
腹部CTにおける脾分画に対するSAMの系統的スライスレベルロバストネス検査を,41巻の非空切片1,051を用いて行った。
論文 参考訳（メタデータ） (2026-04-28T14:16:20Z) - Function-Space Decoupled Diffusion for Forward and Inverse Modeling in Carbon Capture and Storage [65.51149575007149]
本稿では,Fun-DDPSについて述べる。Fun-DDPSは,関数空間拡散モデルと微分可能なニューラル演算子サロゲートを結合した生成フレームワークである。
Fun-DDPSは、ジョイントステートベースラインで観察される高周波アーティファクトから、物理的に一貫した実現をもたらす。
論文 参考訳（メタデータ） (2026-02-12T18:58:12Z) - Enhancing Multi-Label Thoracic Disease Diagnosis with Deep Ensemble-Based Uncertainty Quantification [1.2461503242570642]
このプロジェクトは、堅牢な不確実性定量化(UQ)を、NIH ChestX-ray14データセット上の14の一般的な胸部疾患のための高性能な診断プラットフォームに統合する。
初期のアーキテクチャ開発ではモンテカルロ・ドロップアウト(MCD)を使用した性能とキャリブレーションが安定せず、ECEは0.7588であった。
この結果、Deep Ensemble (DE) は性能を安定させ、信頼性を向上し、受信器操作特性曲線 (AUROC) 平均面積 0.8559 と F1スコア 0.3857 を達成した。
論文 参考訳（メタデータ） (2025-11-24T07:20:40Z) - MixedNUTS: Training-Free Accuracy-Robustness Balance via Nonlinearly Mixed Classifiers [41.56951365163419]
MixedNUTSは、ロバストな分類器の出力ロジットを3つのパラメータしか持たない非線形変換で処理する訓練不要の手法である。
MixedNUTSは変換されたロジットを確率に変換し、それらを全体の出力として混合する。
CIFAR-10、CIFAR-100、ImageNetデータセットでは、MixedNUTSの精度とほぼSOTAの堅牢性を大幅に改善した。
論文 参考訳（メタデータ） (2024-02-03T21:12:36Z)
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。