論文の概要: Towards simultaneous decoding of kinetic and kinematic movement parameters during grasp and lift task by noninvasive brain imaging
- arxiv url: http://arxiv.org/abs/2607.24081v2
- Date: Wed, 29 Jul 2026 09:07:05 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-30 14:21:10.709803
- Title: Towards simultaneous decoding of kinetic and kinematic movement parameters during grasp and lift task by noninvasive brain imaging
- Title（参考訳）: 非侵襲的脳画像計測による握り上げ作業時の運動パラメータと運動パラメータの同時復号化に向けて
- Abstract要約: ブレイン・マシン・インタフェース(BMI)は、脳卒中生存者やアンプなど、限られた移動能力を持つ個人を支援することができる。
BMIの開発における重要な課題の1つは、ユーザビリティとコントロールの拡大であり、複数の運動パラメータと運動パラメータを正確にデコードすることで達成できる。
脳波信号から複数の動きパラメータを復号するために,最小二乗回帰器,多層パーセプトロン,アテンションベース回帰器の3つの回帰モデルを提案する。
- 参考スコア（独自算出の注目度）: 7.727905404396572
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Brain-machine interfaces (BMIs) can assist individuals with limited mobility, such as stroke survivors or amputees. One of the key challenges in developing BMIs is expanding their usability and control, which can be achieved by accurately decoding multiple kinematic and kinetic parameters. To address this, we propose three regression models: partial least squares regressor, multilayered perceptron, and attention based regressor, to decode multiple movement parameters from EEG signals. We evaluated these models on the WAY EEG GAL dataset, focusing on their performance under subject specific and subject independent conditions with two strategies: a single model for all parameters and a baseline with separate models for each parameter. Among all regressors, the attention based regressor achieved the best performance, with an $R^2$ of 0.8 and a latency of 29.2 milliseconds, demonstrating significant improvement in simultaneous multi parameter decoding. However, its performance dropped for single parameter decoding. The multi layered perceptron showed more consistent but lower accuracy across both decoding types ($R^2$ = 0.49). These findings highlight the potential of attention based models for real time multi command BMI systems and contribute to the development of more intuitive control devices.
- Abstract（参考訳）: ブレイン・マシン・インタフェース(BMI)は、脳卒中生存者やアンプなど、限られた移動能力を持つ個人を支援することができる。
BMIの開発における重要な課題の1つは、ユーザビリティとコントロールの拡大であり、複数の運動パラメータと運動パラメータを正確にデコードすることで達成できる。
そこで我々は,脳波信号から複数の動きパラメータを復号するために,最小二乗回帰器,多層パーセプトロン,アテンションベース回帰器の3つの回帰モデルを提案する。
我々は、これらのモデルをWAY EEG GALデータセット上で評価し、各パラメータに対する1つのモデルと、各パラメータに対する1つのモデルと、各パラメータに対する1つのベースラインの2つの戦略で、対象固有および対象独立条件下での性能に焦点を当てた。
すべての回帰器の中で、アテンションベースの回帰器は、R^2$ 0.8と29.2ミリ秒のレイテンシで最高の性能を達成し、同時に多重パラメータの復号が大幅に改善された。
しかし、その性能は単一パラメータの復号化のために低下した。
マルチ層パーセプトロンは両復号型(R^2$ = 0.49)でより整合性を示したが, 精度は低かった。
これらの知見は、リアルタイムマルチコマンドBMIシステムにおけるアテンションベースモデルの可能性を強調し、より直感的な制御装置の開発に寄与する。
関連論文リスト
- MotionVLA: Vision-Language-Action Model for Humanoid Motion [54.785960777274276]
動作をベースストリームと物理ストリームに分離するデュアルストリーム周波数トークンであるDSFTを提案する。
また、ベースおよび物理トークンを統一シーケンスに配置するQwen3.5ベースのモデルであるMotionVLAを提案する。
論文 参考訳（メタデータ） (2026-06-13T06:10:48Z) - Towards Compact Autonomous Driving Perception with Balanced Learning and Multi-sensor Fusion [5.557543974847597]
本稿では,自律運転認識タスクを1回の前方通過で処理する,小型な深層マルチタスク学習モデルを提案する。
このモデルは、セマンティックセグメンテーション、深度推定、光検出・測光(LiDAR)セグメンテーション、鳥の視線投影を同時に行う。
論文 参考訳（メタデータ） (2026-06-02T00:35:42Z) - URDF-Anything: Constructing Articulated Objects with 3D Multimodal Language Model [76.08429266631823]
3次元マルチモーダル大言語モデル(MLLM)に基づくエンドツーエンドの自動再構築フレームワークを提案する。
URDF-Anythingは、ポイントクラウドとテキストマルチモーダル入力に基づく自己回帰予測フレームワークを使用して、幾何学的セグメンテーションと運動論的パラメータ予測を協調的に最適化する。
シミュレーションと実世界の両方のデータセットの実験は、我々の手法が既存の手法よりも大幅に優れていることを示した。
論文 参考訳（メタデータ） (2025-11-02T13:45:51Z) - EVA02-AT: Egocentric Video-Language Understanding with Spatial-Temporal Rotary Positional Embeddings and Symmetric Optimization [17.622013322533423]
EVA02-ATは、エゴセントリックなビデオ理解タスクに適した、EVA02ベースのビデオ言語基盤モデルのスイートである。
EVA02-ATは、画像ベースのCLIPモデルをシングルステージプレトレーニングを介して、統一ビデオエンコーダに効率的に転送する。
我々は,Symmetric Multi-Similarity(SMS)損失と,正と負のペアに対してすべてのソフトラベルを前進させる新しいトレーニングフレームワークを導入する。
論文 参考訳（メタデータ） (2025-06-17T09:51:51Z) - Progressive Inertial Poser: Progressive Real-Time Kinematic Chain Estimation for 3D Full-Body Pose from Three IMU Sensors [25.67875816218477]
スパース追跡信号からのフルボディポーズ推定は、環境条件や記録範囲によって制限されない。
従来の作業では、骨盤と下肢にセンサーを追加することや、キージョイントのグローバルな位置を得るために外部視覚センサーに頼ることが困難だった。
仮想現実技術の実用性を向上させるため,頭部と手首に装着した3つの慣性計測ユニット(IMU)センサから得られた慣性データのみを用いて,全身のポーズを推定した。
論文 参考訳（メタデータ） (2025-05-08T15:28:09Z) - An Efficient and Mixed Heterogeneous Model for Image Restoration [71.85124734060665]
現在の主流のアプローチは、CNN、Transformers、Mambasの3つのアーキテクチャパラダイムに基づいている。
混合構造融合に基づく効率的で汎用的なIRモデルであるRestorMixerを提案する。
論文 参考訳（メタデータ） (2025-04-15T08:19:12Z) - CREMA: Generalizable and Efficient Video-Language Reasoning via Multimodal Modular Fusion [58.15403987979496]
CREMAは、ビデオ推論のための一般化可能、高効率、モジュラリティ融合フレームワークである。
本稿では,軽量核融合モジュールとモーダリティ・シークエンシャル・トレーニング・ストラテジーによって支援された,新しいプログレッシブ・マルチモーダル・フュージョン設計を提案する。
ビデオQA や Video-Audio/3D/Touch/Thermal QA を含む7つのビデオ言語推論タスクについて検証を行った。
論文 参考訳（メタデータ） (2024-02-08T18:27:22Z) - Bi-directional Adapter for Multi-modal Tracking [67.01179868400229]
汎用の双方向アダプタを用いたマルチモーダル視覚プロンプト追跡モデルを提案する。
我々は、モーダリティ固有の情報をあるモーダリティから別のモーダリティへ転送するための、シンプルだが効果的なライト・フィーチャー・アダプタを開発した。
本モデルでは,完全微調整法と素早い学習法の両方と比較して,追跡性能が優れている。
論文 参考訳（メタデータ） (2023-12-17T05:27:31Z) - End-to-End Learning of Hybrid Inverse Dynamics Models for Precise and
Compliant Impedance Control [16.88250694156719]
剛体力学モデルの物理的に一貫した慣性パラメータを同定できる新しいハイブリッドモデルの定式化を提案する。
7自由度マニピュレータ上での最先端の逆動力学モデルに対する我々のアプローチを比較した。
論文 参考訳（メタデータ） (2022-05-27T07:39:28Z) - MoEfication: Conditional Computation of Transformer Models for Efficient
Inference [66.56994436947441]
トランスフォーマーベースの事前学習言語モデルは、パラメータ容量が大きいため、ほとんどのNLPタスクにおいて優れた性能を実現することができるが、計算コストも大きい。
スパースアクティベーション現象に基づく条件計算により,大規模モデル推論を高速化する。
そこで本研究では,モデルサイズが等しいMoE(Mix-of-experts)バージョン,すなわちMoEficationに変換することを提案する。
論文 参考訳（メタデータ） (2021-10-05T02:14:38Z)
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。