論文の概要: ATCNet-CIAM for Multi-Session Motor Imagery EEG Signal Classification

• arxiv url: http://arxiv.org/abs/2607.23522v1
• Date: Sun, 26 Jul 2026 07:42:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-28 22:34:15.140668
• Title: ATCNet-CIAM for Multi-Session Motor Imagery EEG Signal Classification
• Title（参考訳）: マルチセッションモータ画像脳波信号分類のためのATCNet-CIAM
• Abstract要約: 運動画像(MI)を用いた脳波計測は非侵襲的脳-コンピュータインターフェース(BCI)において広く用いられている ATCNet-CIAMは、MIデコーディングのためのチャネル空間特徴表現を改善するために、軽量チャネル統合アテンションモジュール(CIAM)をATCNetフレームワークに統合した、注目時間畳み込みネットワークである。 実験の結果、ATCNet-CIAMはBCI IV-2aで86.32%、BCI IV-2bで87.96%、セッション内WBCIC-MIで89.46%、83.64%の精度を達成した。
• 参考スコア（独自算出の注目度）: 1.0775419935941009
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Motor imagery (MI)-based electroencephalography is widely used in non-invasive brain--computer interfaces (BCIs), but robust decoding remains challenging due to inter-subject variability and cross-session non-stationarity. This work proposes ATCNet-CIAM, an enhanced attention temporal convolutional network that integrates a lightweight channel-integrated attention module (CIAM) into the ATCNet framework to improve channel-spatial feature representation for MI decoding. The proposed model is evaluated on BCI Competition IV-2a, BCI Competition IV-2b, and the multi-day WBCIC-MI dataset under standard, within-session, and cross-session protocols. Experimental results show that ATCNet-CIAM achieves 86.32% accuracy on BCI IV-2a and 87.96% on BCI IV-2b under the standard protocol, while reaching 89.46% and 83.64% in the within-session WBCIC-MI on 2C and 3C, respectively. The proposed framework consistently improves classification stability and robustness under session-varying conditions, and ablation study confirms the complementary contribution of the proposed architectural components.
• Abstract（参考訳）: 運動画像(MI)に基づく脳波検査は非侵襲的脳-コンピュータインタフェース(BCI)で広く用いられているが、物体間変動と断続的非定常性のため、頑健な復号化は依然として困難である。 ATCNet-CIAMは、MIデコーディングのためのチャネル空間特徴表現を改善するために、軽量チャネル統合アテンションモジュール(CIAM)をATCNetフレームワークに統合した、注目時間畳み込みネットワークである。 提案手法は,BCIコンペティションIV-2a,BCIコンペティションIV-2b,マルチデイWBCIC-MIデータセットを標準,内部セッション,クロスセッションプロトコルで評価する。 実験の結果、ATCNet-CIAMはBCI IV-2aで86.32%、BCI IV-2bで87.96%、それぞれ2Cと3Cで89.46%、WBCIC-MIで83.64%に達した。 提案フレームワークは,セッション変動条件下での分類安定性とロバスト性を継続的に改善し,アーキテクチャコンポーネントの相補的寄与をアブレーションスタディで確認する。

関連論文リスト

• Meta-cognitive Multi-scale Hierarchical Reasoning for Motor Imagery Decoding [43.32839547082765]
  本研究では,4クラス脳波(EEG)信号の階層的,メタ認知的デコードフレームワークについて検討する。 バックボーンの特徴を時間的マルチスケール表現に再構成するマルチスケール階層型信号処理モジュールを提案する。 我々は,このフレームワークを3つの標準脳波バックボーン上でインスタンス化し,BCIコンペティションIV-2aデータセットを用いて4クラスMIデコーディングを評価する。
  論文  参考訳（メタデータ） (2025-11-11T06:32:23Z)
• AGTCNet: A Graph-Temporal Approach for Principled Motor Imagery EEG Classification [0.0]
  本研究では,運動画像脳波(MI-EEG)分類のための新しいグラフ時間モデルAGTCNetを提案する。 49.87%のモデルサイズ減少、64.65%の推論時間、より短い入力EEG信号により、AGTCNetは被検者に依存しない分類において66.82%の移動平均精度を達成した。
  論文  参考訳（メタデータ） (2025-06-26T14:49:10Z)
• Channel Fingerprint Construction for Massive MIMO: A Deep Conditional Generative Approach [65.47969413708344]
  CF双生児の概念を導入し、条件付き生成拡散モデル(CGDM)を設計する。 本研究では, 粗粒CFに条件付き観測された細粒CFの対数分布に対するエビデンスローバウンド(ELBO)を導出するために, 変分推論手法を用いる。 提案手法は, ベースラインと比較して, 復元性能が著しく向上していることを示す。
  論文  参考訳（メタデータ） (2025-05-12T01:36:06Z)
• Dual-TSST: A Dual-Branch Temporal-Spectral-Spatial Transformer Model for EEG Decoding [2.0721229324537833]
  デュアルブランチ時間スペクトル空間変換器(Dual-TSST)を用いた新しいデコードアーキテクチャネットワークを提案する。 提案するDual-TSSTは様々なタスクにおいて優れており,平均精度80.67%の脳波分類性能が期待できる。 本研究は,高性能脳波デコーディングへの新たなアプローチを提供するとともに,将来のCNN-Transformerベースのアプリケーションにも大きな可能性を秘めている。
  論文  参考訳（メタデータ） (2024-09-05T05:08:43Z)
• Model-based Deep Learning Receiver Design for Rate-Splitting Multiple Access [65.21117658030235]
  本研究では,モデルベース深層学習(MBDL)に基づく実用的なRSMA受信機の設計を提案する。 MBDL受信機は、符号なしシンボル誤り率(SER)、リンクレベルシミュレーション(LLS)によるスループット性能、平均トレーニングオーバーヘッドの観点から評価される。 その結果,MBDLはCSIRが不完全なSIC受信機よりも優れていた。
  論文  参考訳（メタデータ） (2022-05-02T12:23:55Z)
• Priming Cross-Session Motor Imagery Classification with A Universal Deep Domain Adaptation Framework [3.6824205556465834]
  運動画像(英: Motor image、MI)は、脳のコンピュータインタフェース(BCI)のパラダイムである。 本稿では,領域適応理論の数学的モデルに基づくクロスセッションMI分類のための,シームズ深部ドメイン適応(SDDA)フレームワークを提案する。 提案するフレームワークは、ネットワーク構造を変更することなく、既存のほとんどのニューラルネットワークに容易に適用することができる。
  論文  参考訳（メタデータ） (2022-02-19T09:30:08Z)
• FBCNet: A Multi-view Convolutional Neural Network for Brain-Computer Interface [21.84939367611849]
  本稿では,MI分類のための新しいフィルタバンク畳み込みネットワーク(FBCNet)を提案する。 FBCNetは76.20%の4クラス分類精度を達成し、BCIC-IV-2aデータセットのための新しいSOTAを設定した。 また、説明可能なAI技術を用いて、健常者と脳卒中患者の識別脳波の特徴の違いを初めて報告する。
  論文  参考訳（メタデータ） (2021-03-17T08:27:01Z)
• EEG-Inception: An Accurate and Robust End-to-End Neural Network for EEG-based Motor Imagery Classification [123.93460670568554]
  本稿では,脳波に基づく運動画像(MI)分類のための新しい畳み込みニューラルネットワーク(CNN)アーキテクチャを提案する。 提案したCNNモデル、すなわちEEG-Inceptionは、Inception-Timeネットワークのバックボーン上に構築されている。 提案するネットワークは、生のEEG信号を入力とし、複雑なEEG信号前処理を必要としないため、エンドツーエンドの分類である。
  論文  参考訳（メタデータ） (2021-01-24T19:03:10Z)
• Performance of Dual-Augmented Lagrangian Method and Common Spatial Patterns applied in classification of Motor-Imagery BCI [68.8204255655161]
  運動画像に基づく脳-コンピュータインタフェース(MI-BCI)は、神経リハビリテーションのための画期的な技術になる可能性がある。 使用する脳波信号のノイズの性質のため、信頼性の高いBCIシステムは特徴の最適化と抽出のために特別な手順を必要とする。
  論文  参考訳（メタデータ） (2020-10-13T20:50:13Z)
• A Computationally Efficient Multiclass Time-Frequency Common Spatial Pattern Analysis on EEG Motor Imagery [164.93739293097605]
  共通空間パターン(CSP)は脳波(EEG)運動画像(MI)の一般的な特徴抽出法である 本研究では,従来のCSPアルゴリズムを改良し,マルチクラスMI分類精度を改善し,計算処理の効率化を図る。
  論文  参考訳（メタデータ） (2020-08-25T18:23:50Z)
• Towards a Competitive End-to-End Speech Recognition for CHiME-6 Dinner Party Transcription [73.66530509749305]
  本稿では,難しい場合であっても,ハイブリッドベースラインに近い性能を示すエンドツーエンドアプローチについて論じる。 CTC-Attention と RNN-Transducer のアプローチと RNN と Transformer のアーキテクチャを比較し,解析する。 RNN-Transducerをベースとしたベストエンド・ツー・エンドモデルでは、ビームサーチの改善とともに、LF-MMI TDNN-F CHiME-6 Challengeのベースラインよりも品質が3.8%向上した。
  論文  参考訳（メタデータ） (2020-04-22T19:08:33Z)

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。