論文の概要: Frequency-Decorrelated Temporal Ensembles for EEG--fNIRS Imagined-Handwriting Decoding
- arxiv url: http://arxiv.org/abs/2608.03176v1
- Date: Tue, 04 Aug 2026 06:08:11 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-05 15:30:23.05792
- Title: Frequency-Decorrelated Temporal Ensembles for EEG--fNIRS Imagined-Handwriting Decoding
- Title（参考訳）: 脳波-fNIRSによる手書きデコードのための周波数非相関時間アンサンブル
- Abstract要約: Multimodal Brain-Computer Interface Grand Challenge(英語版)は、4種類の主観非依存手書き-軌道分類のための同期脳波とfNIRSを提供する。
我々は,3つの相補的な脳波の周波数ビューに基づいて,コンパクトなマルチスケール時間ネットワークを訓練するタスク適応型システムFREDを提案する。
モダリティ監査では、fNIRSのみの復号が偶然(全体の0.2511)、fNIRSをEEGに追加すると精度が0.0025に変化している。
- 参考スコア（独自算出の注目度）: 5.096813697804564
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Imagined handwriting offers a temporally rich paradigm for non-invasive neural decoding, yet reliable recognition across unseen participants remains difficult because scalp EEG is noisy and internally generated stroke sequences vary across individuals. The Multimodal Brain-Computer Interface Grand Challenge provides synchronized EEG and fNIRS for four-class subject-independent handwriting-trajectory classification. We propose FRED, a task-adapted system that models imagined handwriting as a multi-second motor sequence and trains a compact multi-scale temporal network on three complementary EEG frequency views. With three seeds per view, cross-band members produce substantially less-correlated errors than same-band replicas, yielding a clean nine-member ensemble accuracy of 0.8076/0.7242/0.7492 on the public/private/overall test partitions without test-set adaptation or output constraints. The submitted pipeline further incorporates transductive pseudo-label training, three EEG-Conformer members, posterior aggregation, and a paradigm-aware decoder. Because every 12-trial randomization block contains three instances of each class, the final predictions are obtained by Hungarian assignment under the known block quota. On one fixed posterior pool, independent, session-constrained, and block-constrained decoding achieve 0.7600, 0.7758, and 0.7952 overall accuracy, respectively. The complete system reaches 0.8498/0.7718/0.7952, ranking fourth on the private split. A modality audit finds fNIRS-only decoding at chance (0.2511 overall), while adding fNIRS to EEG changes accuracy by only +0.0025. These results identify frequency-diverse temporal EEG modeling and protocol-matched structured inference as the principal sources of performance in this sparse-montage EEG--fNIRS setting. The source code is available at https://github.com/XiuFan719/EEG-fNIRS-fuse-method-for-MM-challenge.
- Abstract（参考訳）: 想像上の手書き文字は、非侵襲的な神経復号のための時間的に豊かなパラダイムを提供するが、頭皮脳波はノイズが多く、内部的に生成された脳卒中シーケンスは個人によって異なるため、目に見えない参加者間で信頼性の高い認識は難しいままである。
Multimodal Brain-Computer Interface Grand Challenge(英語版)は、4種類の主観非依存手書き-軌道分類のための同期脳波とfNIRSを提供する。
我々は,手書きをマルチ秒のモータシーケンスとしてモデル化したタスク適応型システムFREDを提案し,3つの相補的なEEG周波数ビューに基づいて,コンパクトなマルチスケール時間ネットワークを訓練する。
1ビュー当たりの3つのシードでは、クロスバンドメンバーは同バンドのレプリカよりもかなり相関の少ないエラーを発生し、テストセットの適応や出力制約なしに、パブリック/プライベート/オーバーオールテストパーティション上で、クリーンな9員アンサンブル精度0.8076/0.7242/0.7492を得る。
提出されたパイプラインにはさらに、トランスダクティブな擬似ラベルトレーニング、3つのEEGコンフォーマーメンバー、後続アグリゲーション、パラダイム対応デコーダが組み込まれている。
各12個のランダム化ブロックは、各クラスの3つのインスタンスを含むので、最終的な予測は、既知のブロッククォータの下でハンガリーの代入によって得られる。
1つの固定後部プールでは、独立、セッション制限、ブロック制限デコードはそれぞれ0.7600、0.7758、0.7952となる。
完全システムは0.8498/0.7718/0.7952に達し、プライベートスプリットでは4位となった。
モダリティ監査では、fNIRSのみの復号が偶然(全体の0.2511)、fNIRSをEEGに追加すると精度が0.0025に変化している。
これらの結果は、このスパースモンジュ脳波-fNIRS設定において、周波数幅の時間的脳波モデリングとプロトコルマッチングされた構造化推論を主要な性能源として同定する。
ソースコードはhttps://github.com/XiuFan719/EEG-fNIRS-fuse-method-for-MM-challengeで公開されている。
関連論文リスト
- Mind the Rift: Cross-Scale Coupling Mismatch for AI-Generated Video Detection [10.264738258468254]
クロススケールカップリングミスマッチは新しい法医学的信号である。
自然ビデオでは、マクロレベルの時間的ダイナミクスとマイクロレベルの残留パターンは、統合されたイメージング物理パイプラインによって本質的に結合される。
しかし、この共同分布を明示的に保持していないトレーニング目的を持つAIジェネレータは、この結合を体系的に違反する。
このようなミスマッチの検出は、両方のスケールで独立して情報を抽出する必要があるため、難しい。
論文 参考訳（メタデータ） (2026-09-01T05:23:48Z) - Tokenizer Generator Coupling in Medical Image Generation [0.0]
潜在医療画像生成装置は通常、トークン化剤を固定前処理として扱う。
我々は64x64のChestMNIST制御実験において,この分離が有効かどうかを検証した。
ランキングは トークンー、ジェネレータ、 サンプル装置に 左右される
論文 参考訳（メタデータ） (2026-08-07T18:57:09Z) - Not All EEG Moments Are Equal: Position-Adaptive Time Scheduling for EEG Generation [13.893263438236106]
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。
論文 参考訳（メタデータ） (2026-07-25T00:15:14Z) - Generative Augmentation for EEG Motor Imagery Classification: A Class-Conditional VAE with Cycle-Consistent Decoder Refinement [2.3270574907955286]
生成モデルが有用な人工運動画像(MI)の脳波検査(EEG)に有効かどうかを検討する。
本研究は,Zhouモータ画像データセットに潜在型分類器を組み込んだクラス条件変分オートエンコーダ(CVAE)を訓練する。
結果は、独立した拡張ドロー、ランダムな種(ユーザ内)、あるいはout-one-subject-out フォルダに集約される。
論文 参考訳（メタデータ） (2026-07-22T12:16:16Z) - Modeling Normal Is All You Need: Joint Latent Clustering for Anomaly Detection in Multimodal Cyber-Physical Systems [47.027290803102666]
通常の行動は、多くの不均衡で、曲がりくねった、細い範囲の運営体制の結合である。
我々は正規法則を、共同学習された潜在表現と明示的なガウス混合モードクラスタリングでモデル化する。
ポイント調整のない生のポイントワイドメトリクス、自明な検出困難分割、頻度整合F1、列車正規化のみのキャリブレーションを意図的に評価する。
論文 参考訳（メタデータ） (2026-07-07T10:10:00Z) - ECG-NAT: A Self-supervised Neighborhood Attention Transformer for Multi-lead Electrocardiogram Classification [4.904219291349455]
ECG信号は、きめ細かいビートレベルの形態とより広いリズムレベルの依存関係を同時にキャプチャするアーキテクチャを必要とする。
本稿では心電図近傍注意変換器(ECG-NAT)を提案する。
ECG-NATはベンチマークデータセット上で、1%のラベル付きデータを使用して88.1%の精度で堅牢なパフォーマンスを達成する。
論文 参考訳（メタデータ） (2026-05-13T08:50:00Z) - Self-Supervised Learning via Flow-Guided Neural Operator on Time-Series Data [57.85958428020496]
Flow-Guided Neural Operator (FGNO)は、演算子学習とフローマッチングを組み合わせた新しいフレームワークである。
FGNOは、短時間フーリエ変換を用いて関数空間のマッピングを学習し、異なる時間分解能を統一する。
推論中にノイズのある入力を使用する以前の生成SSL法とは異なり、ノイズのある表現を学習しながら、クリーンな入力を用いて表現抽出を行う。
論文 参考訳（メタデータ） (2026-02-12T18:54:57Z) - 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) - DiffGRM: Diffusion-based Generative Recommendation Model [63.35379395455103]
ジェネレーティブレコメンデーション(GR)は、トークン化器を介して各項目をn桁のセマンティックID(SID)として表現する新興パラダイムである。
自己回帰デコーダをマスク付き離散拡散モデル(MDM)に置き換える拡散ベースGRモデルDiffGRMを提案する。
実験では、複数のデータセットに対する強力な生成的および差別的推奨ベースラインよりも一貫した利得を示す。
論文 参考訳（メタデータ） (2025-10-21T03:23:32Z) - Towards Effective and Efficient Non-autoregressive Decoding Using Block-based Attention Mask [74.64216073678617]
AMDはアテンションマスクを用いて隠された出力ラベルの連続ブロック内で並列NAR推論を行う。
ビームサーチアルゴリズムは、CTC、ARデコーダ、AMD確率の動的融合を利用するように設計されている。
LibriSpeech-100hrコーパスの実験では、AMDモジュールを組み込んだトリパルタイトデコーダが最大1.73倍のデコード速度比を生み出すことを示唆している。
論文 参考訳（メタデータ） (2024-06-14T13:42:38Z) - Consistency Trajectory Models: Learning Probability Flow ODE Trajectory of Diffusion [56.38386580040991]
Consistency Trajectory Model (CTM) は Consistency Models (CM) の一般化である
CTMは、対戦訓練とスコアマッチング損失を効果的に組み合わせることで、パフォーマンスを向上させる。
CMとは異なり、CTMのスコア関数へのアクセスは、確立された制御可能/条件生成メソッドの採用を合理化することができる。
論文 参考訳（メタデータ） (2023-10-01T05:07:17Z) - Generalizing electrocardiogram delineation: training convolutional
neural networks with synthetic data augmentation [63.51064808536065]
ECGのデライン化のための既存のデータベースは小さく、サイズやそれらが表す病態の配列に不足している。
まず、原データベースから抽出した基本セグメントのプールを与えられたECGトレースを確率的に合成し、その整合性のある合成トレースに配置するための一連のルールを考案した。
第二に、2つの新しいセグメンテーションに基づく損失関数が開発され、これは、正確な数の独立構造の予測を強制し、サンプル数の削減に焦点をあてて、より密接なセグメンテーション境界を創出することを目的としている。
論文 参考訳（メタデータ） (2021-11-25T10:11:41Z)
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。