論文の概要: Not All EEG Moments Are Equal: Position-Adaptive Time Scheduling for EEG Generation

• arxiv url: http://arxiv.org/abs/2608.00048v1
• Date: Sat, 25 Jul 2026 00:15:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-04 21:56:46.344132
• Title: Not All EEG Moments Are Equal: Position-Adaptive Time Scheduling for EEG Generation
• Title（参考訳）: すべての脳波モーメントが等しくない:脳波生成のための位置適応型時間スケジューリング
• Abstract要約: 既存のフローベースのアプローチでは、サンプル内のすべてのチャンネルと時間セグメントが単一のグローバルな時間進行を共有すると仮定する。 条件付きフローマッチングに基づく適応型脳波生成フレームワークを提案する。 我々のフレームワークは一貫して最強のベースラインを上回り、TS-FIDを最大62.2%削減し、下流の分類精度を最大6.77ポイント向上させる。
• 参考スコア（独自算出の注目度）: 13.893263438236106
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Electroencephalography (EEG) generation is essential for alleviating data scarcity and enabling large scale neural modeling in brain computer interface applications. However, existing flow based approaches assume that every channel and every time segment within a sample shares a single global time progression, overlooking the fact that not all EEG moments are equal. To address this overlooked heterogeneity, we propose an adaptive EEG generation framework built on conditional flow matching. The framework introduces Position-Adaptive Time Scheduling, which tracks per position reconstruction error to modulate a position specific time progress within the flow matching trajectory. It further incorporates Factorized Spatio-Temporal Attention and a frequency aligned multi resolution spectral consistency loss to model inter channel dependencies induced by volume conduction and compensate for the power law spectral bias of EEG, thereby improving the quality of generated signals. Extensive experiments on three EEG datasets with distinct acquisition protocols and task semantics show that our framework consistently outperforms the strongest baseline, reducing TS-FID by up to 62.2\% and improving downstream classification accuracy gain by up to 6.77 percentage points. These results suggest that the proposed method represents a promising step toward scalable, high fidelity data augmentation for real world brain computer interface applications.
• Abstract（参考訳）: 脳波(EEG)生成は、データの不足を緩和し、脳コンピュータインタフェースアプリケーションにおける大規模なニューラルモデリングを可能にするために不可欠である。 しかし、既存のフローベースのアプローチでは、サンプル内の全てのチャネルと時間セグメントが単一のグローバルな時間経過を共有し、すべてのEEGモーメントが同じではないという事実を見越すと仮定している。 このような不均一性に対処するために,条件付きフローマッチングに基づく適応型EEG生成フレームワークを提案する。 このフレームワークは位置適応時間スケジューリングを導入し、各位置再構成誤差を追跡し、フローマッチング軌道内の位置特定時間進行を変調する。 さらに、Factized Spatio-Temporal Attentionと周波数整合スペクトル整合損失を、ボリューム伝導によって誘導されるチャネル間の依存性をモデル化し、EEGの電力法スペクトルバイアスを補償することにより、生成された信号の品質を向上させる。 異なる取得プロトコルとタスクセマンティクスを持つ3つのEEGデータセットに対する大規模な実験により、我々のフレームワークは最強のベースラインを一貫して上回り、TS-FIDを62.2\%まで削減し、下流の分類精度を最大6.77ポイント向上した。 これらの結果から,提案手法は,実世界の脳コンピュータインタフェースアプリケーションにおいて,スケーラブルで高忠実なデータ拡張に向けた有望な一歩であることを示唆している。

関連論文リスト

• Transformer Based Model for Spatiotemporal Feature Learning in EEG Emotion Recognition [0.0]
  EEG-TransNetは、EEG信号の時間的、地域的、同期的な特徴を捉えるように設計されたアーキテクチャである。 信号長の異なる分類精度とロバスト性という点で、他の手法よりも一貫して優れている。 脳波をベースとした脳活動分類と感情認識タスクのための堅牢なツールとしての可能性を強調している。
  論文  参考訳（メタデータ） (2026-06-09T11:25:43Z)
• SKANet: A Cognitive Dual-Stream Framework with Adaptive Modality Fusion for Robust Compound GNSS Interference Classification [47.20483076887704]
  グローバルナビゲーション衛星システム(GNSS)は、洗練された妨害による脅威の増大に直面している。 時間周波数画像(TFI)とパワースペクトル密度(PSD)を統合した2重ストリームアーキテクチャに基づく認知的ディープラーニングフレームワークを提案する。 SKANetは96.99%の精度を達成し、複合妨害分類において優れたロバスト性を示した。
  論文  参考訳（メタデータ） (2026-01-19T07:42:45Z)
• HCFT: Hierarchical Convolutional Fusion Transformer for EEG Decoding [9.572621097681646]
  階層型脳核融合変換器(HCFT)という軽量な復号化フレームワークを提案する。 HCFTはマルチスケール表現のためにデュアルブランチエンコーダと階層トランスフォーマーブロックを組み合わせる。 その結果、HCFTは平均精度80.83%、BCI IV-2bではコーエンのカッパが0.6165であり、感度99.10%、時間当たり0.0236の偽陽性、CHB-MITでは98.82%であることがわかった。
  論文  参考訳（メタデータ） (2026-01-18T06:36:30Z)
• Timely Parameter Updating in Over-the-Air Federated Learning [45.5660377179285]
  我々は,各通信ラウンドにおいて,最も影響のある勾配のサブセットを選択するアルゴリズムであるフレッシュネス・フレッシュネス・mAgnItude awaRe top-k (FAIR-k)を提案する。 本研究では,FAIR-kが新たな(かつ公平な)パラメータの更新を促進し,局所訓練期間を延長することで,全体の訓練効率に大きな影響を及ぼすことなく通信効率を向上させることを示す。
  論文  参考訳（メタデータ） (2025-12-22T07:18:13Z)
• Calibration-Free EEG-based Driver Drowsiness Detection with Online Test-Time Adaptation [43.83587667787693]
  ドローシー・ドライビングは交通事故の増大の原因であり、脳波に基づくドローシー検知システム(EEG)の最近の探索を促している。 特に,脳波信号の物体間変動は,領域シフトの問題を引き起こす。 そこで本稿では,オンラインテスト時間適応手法を利用して対象対象の分布に動的に適応する新しいドライバの眠気検出フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-11-27T02:27:10Z)
• FAIM: Frequency-Aware Interactive Mamba for Time Series Classification [87.84511960413715]
  時系列分類(TSC)は、環境モニタリング、診断、姿勢認識など、多くの実世界の応用において重要である。 本稿では,周波数対応対話型マンバモデルであるFAIMを提案する。 FAIMは既存の最先端(SOTA)手法を一貫して上回り、精度と効率のトレードオフが優れていることを示す。
  論文  参考訳（メタデータ） (2025-11-26T08:36:33Z)
• Bidirectional Time-Frequency Pyramid Network for Enhanced Robust EEG Classification [2.512406961007489]
  BITE(Bidirectional Time-Freq Pyramid Network)は、ロバストなマルチストリームシナジー、ピラミッド時間周波数アテンション(PTFA)、双方向適応畳み込みを特徴とするエンドツーエンドの統一アーキテクチャである。 統一アーキテクチャとして、MIタスクとSSVEPタスクの両方にわたる堅牢なパフォーマンスと、例外的な計算効率を組み合わせる。 我々の研究は、信頼性の高いBCIシステムにはスペクトル時間処理が不可欠であることを検証している。
  論文  参考訳（メタデータ） (2025-10-11T04:14:48Z)
• Efficient Federated Learning with Heterogeneous Data and Adaptive Dropout [62.73150122809138]
  Federated Learning(FL)は、複数のエッジデバイスを使用したグローバルモデルの協調トレーニングを可能にする、有望な分散機械学習アプローチである。 動的不均一モデルアグリゲーション(FedDH)と適応ドロップアウト(FedAD)の2つの新しい手法を備えたFedDHAD FLフレームワークを提案する。 これら2つの手法を組み合わせることで、FedDHADは精度(最大6.7%)、効率(最大2.02倍高速)、コスト(最大15.0%小型)で最先端のソリューションを大幅に上回っている。
  論文  参考訳（メタデータ） (2025-07-14T16:19:00Z)
• ALFEE: Adaptive Large Foundation Model for EEG Representation [17.166788472910806]
  本稿では,脳波信号表現(ALFEE)フレームワークのための適応大基礎モデルを提案する。 ALFEEは、堅牢な脳波表現学習のための2つの学習段階を持つ、新しいハイブリッドトランスフォーマーアーキテクチャである。 25,000時間の事前トレーニングの後、6つの下流脳波タスクに関する広範な実験結果が、既存のモデルよりもALFEEの方が優れた性能を示している。
  論文  参考訳（メタデータ） (2025-05-07T13:32:31Z)
• ESTformer: Transformer utilising spatiotemporal dependencies for electroencephalogram super-resolution [17.375026288273794]
  変換器をベースとした買収依存を利用したEEGフレームワークを開発した。 EEG SRタスクのためのTransformerは、EEG SRタスクのためのTransformerの汎用性を示す。 脳波に基づく人物識別と感情認識タスクにおいて,SRデータの優位性を検証した。
  論文  参考訳（メタデータ） (2023-12-03T12:26:32Z)
• 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)

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。