論文の概要: Self-Supervised Consistency Enhanced Disentangled Learning for Neural Decoding Generalization in Brain-Machine Interface

• arxiv url: http://arxiv.org/abs/2607.24023v1
• Date: Mon, 27 Jul 2026 05:40:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-28 22:34:15.322835
• Title: Self-Supervised Consistency Enhanced Disentangled Learning for Neural Decoding Generalization in Brain-Machine Interface
• Title（参考訳）: 脳-機械インタフェースにおける自己教師付き整合性強化学習によるニューラルデコード一般化
• Abstract要約: Brain-Machine Interfaces (BMIs) は、リハビリテーション、ヒトの運動増強、人間中心のロボット工学に応用可能な、脳と外部デバイス間の直接的な通信経路を提供する。 既存のソリューションは、堅牢な神経表現の学習の困難さと、神経のドリフトが運動パラメータによって異なることの2つの主な欠点に悩まされている。 本稿では,2つの重要なイノベーションに基づいて構築されたニューラルネットワークの一般化フレームワークであるSSCDLを提案する。
• 参考スコア（独自算出の注目度）: 12.519778500895617
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Brain-Machine Interfaces (BMIs) provide a direct communication pathway between the brain and external devices, enabling humans to control assistive and robotic technologies, with potential applications in rehabilitation, human motor augmentation, and human-centered robotics. However, due to neural drift, the performance of BMIs decreases over time, posing challenges for long-term viability, particularly for invasive BMIs (iBMIs). Existing solutions suffer from two main drawbacks: (i) difficulty in learning robust neural representations, and (ii) neglecting that neural drift varies across motor parameters (e.g., velocity, direction, and speed). To overcome these limitations, we propose Self-Supervised Consistency enhanced Disentangled Learning (SSCDL), a neural decoding generalization framework built on two key innovations. We first design a backbone model named Consistency enhanced Neural Decoder (CND), using a novel teacher-student consistency constraint with simulated neural signal perturbations to learn robust representations invariant to neural drift. Then, we employ three dedicated CNDs under the Complementary-Disentangled Generalization (CDG) mechanism, which disentangles motor signals into velocity, direction, and speed with inspiration from neural preference theory. This disentangled learning enables SSCDL to capture invariant neural representations from diverse neural preference perspectives, significantly enhancing cross-day generalization. Extensive experimental results show that SSCDL delivers state-of-the-art decoding performance, exhibiting high robustness and cross-day stability. These capabilities underscore its strong potential for long-term interaction in human-centric robotic and fine-grained assistive applications.
• Abstract（参考訳）: Brain-Machine Interfaces (BMIs) は、脳と外部機器間の直接的な通信経路を提供し、人間がリハビリテーション、ヒトの運動増強、人間中心のロボット工学に潜在的に応用できる、補助的およびロボット技術を制御することができる。 しかし、神経のドリフトにより、BMIの性能は時間の経過とともに低下し、特に侵入的BMI(iBMI)では長期生存が困難となる。 既存のソリューションは2つの大きな欠点に悩まされている。 一 頑健な神経表現を学ぶことの難しさ、及び (2) 運動パラメータ(例えば、速度、方向、速度)によって神経のドリフトが変化することを無視する。 これらの制限を克服するために,2つの重要なイノベーションを基盤として構築されたニューラルネットワークの一般化フレームワークであるSelf-Supervised Consistency enhanced Disentangled Learning (SSCDL)を提案する。 我々はまず、ニューラルネットワークの摂動を模擬した教師と学生の一貫性制約を用いて、一貫性強化ニューラルデコーダ(CND)と呼ばれるバックボーンモデルを設計し、ニューラルドリフトに不変なロバスト表現を学習する。 次に,3つの専用CND(Complementary-Disentangled Generalization:CDG)機構を用いて,運動信号を速度,方向,速度に分散させる。 この非絡み合い学習により、SSCDLは多様な神経嗜好の観点から不変の神経表現をキャプチャし、日々の一般化を著しく向上することができる。 大規模な実験結果から, SSCDLは最先端の復号化性能を示し, 高い堅牢性, 日中安定性を示すことがわかった。 これらの能力は、人間中心のロボットおよびきめ細かい補助アプリケーションにおける長期的な相互作用の強い可能性を示している。

関連論文リスト

• Voxel-Level Brain States Prediction Using Swin Transformer [65.9194533414066]
  本稿では, 4D Shifted Window (Swin) Transformer をエンコーダとして用い, 時間的情報を効率よく学習し, 畳み込みデコーダを用いて入力fMRIデータと同じ空間的, 時間的解像度で脳状態の予測を可能にするアーキテクチャを提案する。 前回の23.04s fMRI時系列に基づいて7.2sの安静時脳活動を予測すると,高い精度が得られた。 これは、人間の脳の時間的構造が高解像度でSwin Transformerモデルによって学習できることを示す有望な証拠である。
  論文  参考訳（メタデータ） (2025-06-13T04:14:38Z)
• Neural Brain: A Neuroscience-inspired Framework for Embodied Agents [78.61382193420914]
  大規模な言語モデルのような現在のAIシステムは、いまだに解体され続けており、物理的に世界と関わりが持てない。 この課題の核心は、人間のような適応性を持つエンボディエージェントを駆動するために設計された中枢知能システムであるNeural Brain(ニューラル・ブレイン)の概念である。 本稿では,2つの基本的な課題に対処する,エンボディエージェントのニューラルブレインの統一的枠組みを提案する。
  論文  参考訳（メタデータ） (2025-05-12T15:05:34Z)
• Machine-Learning-Powered Neural Interfaces for Smart Prosthetics and Diagnostics [3.975510977962636]
  我々は、AI駆動型デコーディングアルゴリズムと次世代小型ニューラルデバイスのためのエネルギー効率の高いSystem-on-Chipプラットフォームの最近の進歩についてレビューする。 これらのイノベーションは、インテリジェントなニューラルネットワークの開発の可能性を強調し、スケーラビリティ、信頼性、解釈可能性、ユーザ適応性といった重要な課題に対処する。
  論文  参考訳（メタデータ） (2025-05-05T09:49:13Z)
• Application of an attention-based CNN-BiLSTM framework for in vivo two-photon calcium imaging of neuronal ensembles: decoding complex bilateral forelimb movements from unilateral M1 [0.511850618931844]
  マルチスケール脳ネットワークからの運動などの復号化は、神経科学の中心的な目的である。 本研究では,注目度に基づくCNN-BiLSTMモデルであるハイブリッドディープラーニングフレームワークを用いて,熟練した複雑な前肢の動きをデコードする。 両前肢の複雑な運動は片側M1ニューロンのアンサンブルから正確に復号できることが示唆された。
  論文  参考訳（メタデータ） (2025-04-23T17:43:00Z)
• Spatiotemporal Learning of Brain Dynamics from fMRI Using Frequency-Specific Multi-Band Attention for Cognitive and Psychiatric Applications [5.199807441687141]
  MBBN(Multi-Band Net Brain)は、周波数特異的脳波を明示的にモデル化するトランスフォーマーベースのフレームワークである。 MBBNは3つの大規模なコホートで49,673人の個人を訓練し、精神医学と認知学の成果を予測する新しい最先端技術を確立している。
  論文  参考訳（メタデータ） (2025-03-30T10:56:50Z)
• Contrastive Learning in Memristor-based Neuromorphic Systems [55.11642177631929]
  スパイクニューラルネットワークは、現代のバックプロパゲーションによって訓練されたディープネットワークに直面する重要な制約の多くを横取りする、ニューロンベースのモデルの重要なファミリーとなっている。 本研究では,前向き・後向き学習のニューロモルフィック形式であるコントラッシブ・シグナル依存型塑性(CSDP)の概念実証を設計し,検討する。
  論文  参考訳（メタデータ） (2024-09-17T04:48:45Z)
• Hybrid Spiking Neural Networks for Low-Power Intra-Cortical Brain-Machine Interfaces [42.72938925647165]
  皮質内脳-機械界面(iBMI)は麻痺患者の生活を劇的に改善する可能性がある。 現在のiBMIは、ハードウェアと配線が大きすぎるため、スケーラビリティとモビリティの制限に悩まされている。 無線iBMIにおける組込みニューラルデコーディングのためのハイブリッドスパイキングニューラルネットワークについて検討している。
  論文  参考訳（メタデータ） (2024-09-06T17:48:44Z)
• Augmenting learning in neuro-embodied systems through neurobiological first principles [42.810158068175646]
  本稿では,最近のバイオインスパイアされたモデル,学習規則,人工ニューラルネットワークのアーキテクチャについて述べる。 我々は、神経科学とAIのギャップを埋める可能性を持つANNを増強するためのフレームワークを提案する。 課題駆動のスパイクニューラルネットワークとニューロモルフィックシステムに生物物理学の原理を統合することで、スケーラブルなソリューションが提供されることを示す。
  論文  参考訳（メタデータ） (2024-07-05T14:11:28Z)
• A Hybrid Neural Autoencoder for Sensory Neuroprostheses and Its Applications in Bionic Vision [0.0]
  感覚神経補綴は、失われた感覚機能を回復したり、人間の能力を増強するための有望な技術として登場しつつある。 本稿では、ディープニューラルネットワークエンコーダが、基礎となる生物学的システムを近似した、既知の固定されたフォワードモデルを逆転するように、いかに訓練されているかを示す。 概念実証として,視覚神経補綴症例に対するハイブリッド神経オートエンコーダ(HNA)の有効性を実証した。
  論文  参考訳（メタデータ） (2022-05-26T20:52:00Z)
• POPPINS : A Population-Based Digital Spiking Neuromorphic Processor with Integer Quadratic Integrate-and-Fire Neurons [50.591267188664666]
  2つの階層構造を持つ180nmプロセス技術において,集団に基づくディジタルスパイキングニューロモルフィックプロセッサを提案する。 提案手法は,生体模倣型ニューロモルフィックシステム,低消費電力,低遅延推論処理アプリケーションの開発を可能にする。
  論文  参考訳（メタデータ） (2022-01-19T09:26:34Z)
• Overcoming the Domain Gap in Contrastive Learning of Neural Action Representations [60.47807856873544]
  神経科学の基本的な目標は、神経活動と行動の関係を理解することである。 我々は,ハエが自然に生み出す行動からなる新しいマルチモーダルデータセットを作成した。 このデータセットと新しい拡張セットは、神経科学における自己教師あり学習手法の適用を加速することを約束します。
  論文  参考訳（メタデータ） (2021-11-29T15:27:51Z)
• Artificial Neural Variability for Deep Learning: On Overfitting, Noise Memorization, and Catastrophic Forgetting [135.0863818867184]
  人工ニューラルネットワーク(ANV)は、ニューラルネットワークが自然のニューラルネットワークからいくつかの利点を学ぶのに役立つ。 ANVは、トレーニングデータと学習モデルの間の相互情報の暗黙の正則化として機能する。 過度にフィットし、ノイズの記憶をラベル付けし、無視できるコストで破滅的な忘れを効果的に軽減することができる。
  論文  参考訳（メタデータ） (2020-11-12T06:06:33Z)
• A Spiking Neural Network Emulating the Structure of the Oculomotor System Requires No Learning to Control a Biomimetic Robotic Head [0.0]
  バイオミメティック・ロボットヘッドのプロトタイプの心臓にニューロモルフィック・オキュロモータ・コントローラが配置されている。 コントローラは、すべてのデータがスパイクニューラルネットワーク(SNN)によって符号化され、処理されるという意味でユニークなものです。 ロボットの目標追跡能力について報告し、その眼球運動学は人間の眼研究で報告されたものと類似していることを示し、生物学的に制約された学習を用いて、その性能をさらに向上させることができることを示す。
  論文  参考訳（メタデータ） (2020-02-18T13:03:06Z)

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。