論文の概要: EEGForceFusion: Joint Tokenised-Continuous Representation Learning for Subject-Independent Grasp Force Decoding

• arxiv url: http://arxiv.org/abs/2607.24126v1
• Date: Mon, 27 Jul 2026 08:08:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-28 22:34:15.353844
• Title: EEGForceFusion: Joint Tokenised-Continuous Representation Learning for Subject-Independent Grasp Force Decoding
• Title（参考訳）: EEGForceFusion: 主観非依存グリップ力復号のための連発型連続表現学習
• Abstract要約: 本稿では,連続およびトークン化表現を共同でモデル化するハイブリッドEEGデコーディングフレームワークを提案する。 提案手法は畳み込み繰り返し表現学習、量子化に基づくトークン化、および変換器に基づく時間モデリングを統合する。 その結果、強いクロスオブジェクトの一般化が示され、リアルタイム脳波に基づく力復号のためのハイブリッド連続トークン表現の実用性を強調した。
• 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 provide a link between neural activity and external devices, enabling restoration of motor function and advancing human-machine interaction using non-invasive electroencephalography (EEG). However, continuous grasp force decoding remains challenging due to complex temporal dynamics, high inter-subject variability, and limited generalisation of existing approaches. To address this, we propose a hybrid EEG decoding framework that jointly models continuous and tokenised representations, enabling capture of both fine-grained neural structure and long-range temporal dependencies. The proposed approach integrates convolutional-recurrent representation learning, quantisation-based tokenisation, and transformer-based temporal modelling within a unified fusion-based regression architecture. Experimental evaluation on the WAY-EEG-GAL dataset under strict leave-one-subject-out conditions achieves $R^2$ = 0.817 in offline settings and $R^2$ = 0.793 in simulated real-time evaluation, with latency suitable for real-time deployment. These results demonstrate strong cross-subject generalisation and highlight the practicality of hybrid continuous-tokenised representations for real-time EEG-based force decoding in assistive robotics, neuro-rehabilitation, and human-machine interaction.
• Abstract（参考訳）: 脳-機械インタフェースは、神経活動と外部装置のリンクを提供し、運動機能の回復と非侵襲脳波(EEG)を用いたヒト-機械相互作用の進行を可能にする。 しかし、複雑な時間的ダイナミクス、高い対象間変動性、既存手法の限定的な一般化により、連続的握力復号化は依然として困難である。 そこで我々は,連続的およびトークン化された表現を協調的にモデル化し,きめ細かなニューラルネットワーク構造と長距離時間依存性の両方を捕捉するハイブリッドEEGデコーディングフレームワークを提案する。 提案手法は,畳み込み再帰的表現学習,量子化に基づくトークン化,および変圧器に基づく時間モデリングを融合型回帰アーキテクチャに統合する。 厳密な残射条件下でのWAY-EEG-GALデータセットの実験評価では、オフライン環境ではR^2$ = 0.817、シミュレーションされたリアルタイム評価ではR^2$ = 0.793、リアルタイムデプロイメントにはレイテンシが適している。 これらの結果から, 補助ロボット, 神経リハビリテーション, 人間と機械の相互作用において, リアルタイム脳波に基づく力復号のためのハイブリッド連続学習表現の実用性を強調した。

関連論文リスト

• Neural Controlled Differential Equations for EMT-Level Surrogate Modeling of Grid-Forming Inverters [13.252561724661085]
  本稿では,電磁過渡(EMT)シミュレーションのためのグリッドフォーミングインバータの連続的サロゲートモデル学習のためのニューラル制御微分方程式フレームワークを提案する。 物理に着想を得た正則化法を用いて安定性とコヒーレンスを高める。 The results shows that Neural CDE-based component modeling provide a physically consistent surrogate modeling approach for EMT-level Simulation study。
  論文  参考訳（メタデータ） (2026-06-28T10:47:26Z)
• Machine Learning-Augmented Acceleration of Iterative Ptychographic Reconstruction [56.83110460392765]
  反復画像再構成アルゴリズムはコヒーレント・ディファレント・ディファレント・イメージングに広く用いられている。 本稿では, 反復的画像再構成を高速化する機械学習によるアプローチを提案する。
  論文  参考訳（メタデータ） (2026-05-01T21:46:58Z)
• PA-TCNet: Pathology-Aware Temporal Calibration with Physiology-Guided Target Refinement for Cross-Subject Motor Imagery EEG Decoding in Stroke Patients [8.689565360500653]
  ストローク患者のクロスオブジェクト脳波(EEG)復号は運動回復に不可欠である。 既存の手法は、病理的なスロー波活動と不安定なターゲットドメインの擬似ラベルによって容易に誤解される。 そこで我々は,脳卒中復号のための生理誘導型ターゲットリファインメントを用いた病的時間校正フレームワークPA-TCNetを提案する。
  論文  参考訳（メタデータ） (2026-04-17T07:55:30Z)
• MedMamba: Recasting Mamba for Medical Time Series Classification [6.852021597208217]
  心電図(ECG)や脳電図(EEG)などの医療時系列は、複雑な時間的ダイナミクスを示す。 本稿では,医療時系列分類に適した,原理駆動型多方向性状態空間アーキテクチャであるMedMambaを提案する。 我々の設計は、空間集中化、多時間的時間的構成、非因果的文脈依存という、生理的信号の3つの重要な帰納的バイアスによって導かれる。
  論文  参考訳（メタデータ） (2026-04-17T01:20:02Z)
• From Brain Models to Executable Digital Twins: Execution Semantics and Neuro-Neuromorphic Systems [51.82266520875928]
  この調査では、実行のレベルでアプローチを比較するための統一的な視点として、物理的に制約された実行可能性を紹介します。 本稿では,孤立オフラインモデルから協調シミュレーション,オンラインデータによるディジタル双生児の連続実行に至るまで,実行体制の分類について提案する。 実行可能性の概念は、なぜ正確性だけで不十分なのかを明確にし、セマンティック・インターオペラビリティ、ハイブリッド・タイムの正確性、評価プロトコル、スケーラブルな同化、安全なクローズドループ検証を中心にしたアジェンダを動機付けている。
  論文  参考訳（メタデータ） (2026-04-15T07:34:46Z)
• A Lightweight Transformer for Pain Recognition from Brain Activity [11.72500739025842]
  本稿では,複数のfNIRS表現を統一トークン化機構を通じて融合する軽量トランスフォーマーアーキテクチャを提案する。 提案したトークン混合戦略は、異種入力を共有潜在表現に投影することにより、空間的・時間的・時間的特性を保存する。 このモデルは、重畳された生波形とfNIRS入力のパワースペクトル密度表現を用いてAI4Painデータセット上で評価する。
  論文  参考訳（メタデータ） (2026-04-13T13:25:19Z)
• Smooth embeddings in contracting recurrent networks driven by regular dynamics: A synthesis for neural representation [45.88028371034407]
  最近の実証研究は、訓練された反復モデルにおけるトポロジー保存潜在組織を文書化している。 貯水池計算における最近の理論的結果は、同期写像が埋め込みである条件を確立する。 私たちのコントリビューションは、一般的な同期と、契約型貯水池の埋め込み保証を組み立てる統合フレームワークです。
  論文  参考訳（メタデータ） (2026-01-26T23:10:39Z)
• Fractional Spike Differential Equations Neural Network with Efficient Adjoint Parameters Training [63.3991315762955]
  スパイキングニューラルネットワーク(SNN)は、生物学的ニューロンからインスピレーションを得て、脳に似た計算の現実的なモデルを作成する。 既存のほとんどのSNNは、マルコフ特性を持つ一階常微分方程式(ODE)によってモデル化された、神経細胞膜電圧ダイナミクスの単一時間定数を仮定している。 本研究では, 膜電圧およびスパイク列車の長期依存性を分数次力学により捉えるフラクタルSPIKE微分方程式ニューラルネットワーク (fspikeDE) を提案する。
  論文  参考訳（メタデータ） (2025-07-22T18:20:56Z)
• Zero-Shot EEG-to-Gait Decoding via Phase-Aware Representation Learning [9.49131859415923]
  ドメイン一般化型脳波-モーションデコーディングフレームワークであるNeuroDyGaitを提案する。 構造化されたコントラスト表現学習とリレーショナルドメインモデリングを使用して、脳波とモーション埋め込みのセマンティックアライメントを実現する。 ベンチマークデータセットのクロスオブジェクト歩行復号における適応や優れた性能を必要とせずに、見えない個人に対するゼロショットモーション予測を実現する。
  論文  参考訳（メタデータ） (2025-06-24T06:03:49Z)
• ReCoM: Realistic Co-Speech Motion Generation with Recurrent Embedded Transformer [58.49950218437718]
  音声に同期した高忠実で一般化可能な人体動作を生成するための効率的なフレームワークであるReCoMを提案する。 Recurrent Embedded Transformer (RET)は、動的埋め込み正規化(DER)をViT(Vit)コアアーキテクチャに統合する。 モデルロバスト性を高めるため,ノイズ抵抗とクロスドメイン一般化の二重性を持つモデルに,提案したDER戦略を取り入れた。
  論文  参考訳（メタデータ） (2025-03-27T16:39:40Z)
• REST: Efficient and Accelerated EEG Seizure Analysis through Residual State Updates [54.96885726053036]
  本稿では,リアルタイム脳波信号解析のための新しいグラフベース残状態更新機構(REST)を提案する。 グラフニューラルネットワークとリカレント構造の組み合わせを活用することで、RESTは、非ユークリッド幾何学とEEGデータ内の時間的依存関係の両方を効率的にキャプチャする。 本モデルは,発作検出と分類作業において高い精度を示す。
  論文  参考訳（メタデータ） (2024-06-03T16:30:19Z)
• Brain Imaging-to-Graph Generation using Adversarial Hierarchical Diffusion Models for MCI Causality Analysis [44.45598796591008]
  機能的磁気共鳴画像(fMRI)を軽度認知障害解析のための効果的な接続性にマッピングするために,脳画像から画像へのBIGG(Brain Imaging-to-graph generation)フレームワークを提案する。 発電機の階層変換器は、複数のスケールでノイズを推定するように設計されている。 ADNIデータセットの評価は,提案モデルの有効性と有効性を示す。
  論文  参考訳（メタデータ） (2023-05-18T06:54:56Z)
• Conditional Generative Models for Simulation of EMG During Naturalistic Movements [45.698312905115955]
  本稿では、運動単位活性化電位波形を生成するために、逆向きに訓練された条件付き生成ニューラルネットワークを提案する。 本研究では,より少ない数の数値モデルの出力を高い精度で予測的に補間できることを実証する。
  論文  参考訳（メタデータ） (2022-11-03T14:49:02Z)

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。