論文の概要: Subject-Level Heterogeneity in EEG Motor Imagery Decoding: A Large-Scale Benchmark and Portfolio-Based Reduction of the Search Space
- arxiv url: http://arxiv.org/abs/2607.22778v1
- Date: Fri, 24 Jul 2026 08:55:28 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-28 22:34:14.875535
- Title: Subject-Level Heterogeneity in EEG Motor Imagery Decoding: A Large-Scale Benchmark and Portfolio-Based Reduction of the Search Space
- Title（参考訳）: 脳波モータ画像復号における対象レベル不均一性:大規模ベンチマークとポートフォリオによる探索空間の削減
- Abstract要約: 3つの公開データセットにまたがるデコードパイプラインの大規模、標準化されたセッション内ベンチマークを示す。
得られた216,714個の生のアグリゲーション列を解析したところ, それぞれ44,928個, 109,000個, 4,192個の主観値が得られた。
次に、ベンチマークを、Kサイズのパイプラインのコンパクトなポートフォリオを構築するための実証的なパフォーマンスランドスケープとして使用しました。
- 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: Robust EEG motor imagery decoding remains limited by strong inter-individual variability, making it difficult to identify pipelines that generalize across users. We present a large-scale, standardized within-session benchmark of decoding pipelines across three public datasets: Cho2017 (52 subjects), PhysionetMI (109 subjects), and Zhou2016 (4 subjects). Using a common MOABB LeftRightImagery setting, two frequency bands (8-15 Hz and 8-30 Hz), and a broad combination of feature extraction, preprocessing, and classification steps, we analyzed 216,714 raw evaluation rows, which after structured aggregation yielded 44,928, 109,000, and 4,192 subject-level observations respectively. Covariance tangent-space projection (cov-tgsp) and Common Spatial Patterns (CSP) consistently defined the strongest methodological families, though their relative ordering was dataset-dependent. On Cho2017, the best family-level mean accuracy came from cov-tgsp in 8-30 Hz (0.712 +/- 0.140), whereas Zhou2016 favored CSP (0.832 +/- 0.121 in 8-15 Hz). These aggregate rankings concealed substantial subject-level heterogeneity: 42 distinct winning pipelines across 52 Cho2017 subjects, and 93 across 109 PhysionetMI subjects. We then used the benchmark as an empirical performance landscape for building compact portfolios of pipelines of size K. Several construction procedures were compared, including a ranking-based Top-K Mean heuristic and search-based strategies. Results were broadly consistent, with Top-K Mean giving the best trade-off. A single best global pipeline already retained 94.2% of the oracle in Cho2017 and 81.8% in PhysionetMI; at K = 12, oracle retention rose to 96.5% and 90.0%. The landscape is therefore subject-dependent, and this heterogeneity can be exploited through compact portfolios that make personalization more feasible.
- Abstract（参考訳）: 頑健な脳波運動画像復号法は、個人間の変動が強いため、ユーザ間で一般化するパイプラインの特定が困難である。
我々は、Cho2017 (52の被験者), PhysionetMI (109の被験者), Zhou2016 (4の被験者)の3つの公開データセットにわたるパイプラインの大規模で標準化されたセッション内ベンチマークを示す。
MOABB leftRight Imagery set, two frequency bands (8-15 Hz and 8-30 Hz), and a broad combination of feature extract, preprocessing, and classification steps, we analyzed 216,714 raw evaluation rows, which result by 44,928, 109,000, and 4,192 subject-level observed。
共分散接空間投影 (cov-tgsp) と共通空間パターン (common spatial Patterns, CSP) は、データセットに依存して、最強の方法論ファミリーを一貫して定義した。
チョ2017では、8-30Hz (0.712 +/- 0.140) のcov-tgspから、Zhou2016は8-15HzのCSP (0.832 +/- 0.121) を好んだ。
これらの総合ランキングは、52 Cho2017の被験者に42の異なる勝利パイプラインを、109 PhysionetMIの被験者に93の勝利パイプラインを隠蔽した。
そこで我々は,このベンチマークを,Kサイズのパイプラインのコンパクトなポートフォリオを構築するための実証的なパフォーマンスランドスケープとして使用した。
結果はおおむね一致しており、Top-K Meanは最高のトレードオフを与えた。
1つの最良のグローバルパイプラインは、2017年のオラクルの94.2%とフィロネトミの81.8%をすでに保持しており、K = 12ではオラクルの保持率は96.5%と90.0%に増加した。
したがって、ランドスケープは主題に依存しており、この異質性は、パーソナライゼーションをより実現可能なコンパクトなポートフォリオを通じて利用することができる。
関連論文リスト
- DishSeg24k: A Large-Scale Benchmark for Food Segmentation with Stochastic Expert Decoding [49.56343480718948]
textbfDishSeg24kは,24,096イメージ,112,281インスタンス,および278の詳細なカテゴリを実世界のダイニング環境に導入した大規模食器レベルのセグメンテーションベンチマークである。
DishSeg24kに基づいて、これらの課題に対処するために textbfFood Expert-Adaptive Transformers (FEAST) を提案する。
DishSeg24kの実験では、FEASTの最先端性能が実証され、従来の手法を+3.21% mIoU, +3.68で上回っている。
論文 参考訳（メタデータ） (2026-07-25T06:40:25Z) - Scaling Closed-Loop Feature Channel Configuration with LLMs [48.83701310501069]
この分析では,8サイクルから2000件の候補が生成され,タスクおよびメタデータフィルタリング後のCIFAR-100の評価結果が462件得られた。
最良のモデルは11.8Mパラメータで0.3676に達し、初期のハイパフォーマンスモデルは0.3144で166.5Mパラメータである。
検証された候補の41.8%で2つのチャネル幅の非パワーが発生し、最強のモデルではチャネル配置パターンが共有される。
論文 参考訳（メタデータ） (2026-07-07T22:31:53Z) - Average Rankings Mask Per-Subject Optimality: A Friedman-Nemenyi Benchmark of EEG Motor-Imagery BCI Decoders [0.0]
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。
論文 参考訳（メタデータ） (2026-06-23T10:26:27Z) - Systematic Exploration of 4-Expert Heterogeneous Mixture-of-Experts via Automated Pipeline Search [44.70501115891534]
不均一な4-Expert Mixture-of-Experts (MoE4) のための自動探索パイプラインを提案する。
パイプラインは197バッチで4,463の候補モデルを生成し、1,021が成功した。
キャンペーンから重要な発見が現れた:イタトールによるアルファベット順列挙による。
論文 参考訳（メタデータ） (2026-06-21T13:43:27Z) - Long-Context Modeling via GSS-Transformer Hybrid Architecture with Learnable Mixing [2.9360071145551068]
PHAは、学習可能な混合メカニズムによって融合された独立した並列ブランチとして、Gated State Spaces、Grouped Query Attention、Feed-Forward Networksを実行する。
WikiText-103では、PHAは125Mパラメータで16.51 PPLを獲得し、Hedgehog (16.70) と H3-125M (23.70) を上回っている。
180Mパラメータへのスケーリングでは16.42 PPLが生成される。
論文 参考訳（メタデータ） (2026-06-15T01:17:51Z) - ATLAS: All-round Testing of Long-context Abilities across Scales [42.83200405769639]
ATLASは、長文評価を長さ依存の能力プロファイルとして再定義するベンチマークフレームワークである。
ATLASは、(i)アプリケーションワークロードから基礎的な操作を分離する階層化された分類法、(ii)固定された8K-1Mグリッド上のスコア長曲線を統合するAUCスコア、(iii)不均衡なプロファイルをペナルライズする分類カテゴリー上の調和平均集計であるATLAScoreの3つの方法論に貢献する。
論文 参考訳（メタデータ） (2026-05-27T07:33:47Z) - Fine-Tuning Over Architectural Complexity: Broad-Coverage PII Detection on PIIBench with DeBERTa [0.0]
PII検出システムは、狭いソースまたはドメイン境界内で頻繁に訓練され、異種テキストにデプロイする場合のカバレッジを制限する。
我々は,10個のソースデータセットに82個の保持されたエンティティタイプにまたがる修正されたマルチソースPIIBenchのモデル微調整について検討した。
直接トークン分類の微調整,ソース条件付き階層モデル(SC+H),3段階のカリキュラム拡張(SC+H+Curr)の3つのアプローチを評価した。
論文 参考訳（メタデータ） (2026-05-25T13:12:42Z) - TriALS: Triphasic-Aided Liver Lesion Segmentation Benchmark in Non-Contrast CT [49.93685997940356]
コントラスト制限条件下での肝病変の自動分節に対するTriALSの課題について述べる。
最高性能は平均静脈圧0.754で, NCCTでは0.57に低下した。
アルゴリズムの性能は、トレーニングデータスケールと事前学習戦略によって最も強く予測された。
論文 参考訳（メタデータ） (2026-05-15T19:23:35Z) - The autoPET3 Challenge: Automated Lesion Segmentation in Whole-Body PET/CT $\unicode{x2013}$ Multitracer Multicenter Generalization [67.92281859568168]
第3回オートPETチャレンジ(MICCAI 2024)の設計と成果を報告する。
全身PET/CTにおける自動病変分割を, 構成的一般化条件下でベンチマークした。
トップランクのアルゴリズムは平均DSCが0.66、FNVが3.18mL、FPVが2.78mLである。
論文 参考訳（メタデータ） (2026-05-07T07:07:09Z) - Low-complexity deep learning frameworks for acoustic scene
classification [64.22762153453175]
音響シーン分類(ASC)のための低複雑さ深層学習フレームワークを提案する。
提案するフレームワークは、フロントエンドのスペクトログラム抽出、オンラインデータ拡張、バックエンドの分類、予測される確率の後期融合の4つの主要なステップに分けることができる。
DCASE 2022 Task 1 Development データセットで実施した実験は,低複雑さの要求を十分に満たし,最も高い分類精度を 60.1% で達成した。
論文 参考訳（メタデータ） (2022-06-13T11:41:39Z) - Multilabel 12-Lead Electrocardiogram Classification Using Gradient
Boosting Tree Ensemble [64.29529357862955]
我々は,心電図の診断を分類するために,形態や信号処理機能に適合した勾配強化木のアンサンブルを用いたアルゴリズムを構築した。
各リードについて、心拍変動、PQRSTテンプレート形状、全信号波形から特徴を導出する。
各クラスに属するECGインスタンスの確率を予測するため、全12項目の特徴と合わせて、勾配を増す決定ツリーの集合に適合する。
論文 参考訳（メタデータ） (2020-10-21T18:11:36Z)
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。