Fugu-MT 論文翻訳(概要): EEG Decoding Using CNN and LSTM Network

論文の概要: EEG Decoding Using CNN and LSTM Network

arxiv url: http://arxiv.org/abs/2608.13285v1
Date: Thu, 13 Aug 2026 14:20:51 GMT
ステータス: 翻訳完了
システム内更新日: 2026-08-14 18:29:38.554962
Title: EEG Decoding Using CNN and LSTM Network
Title（参考訳）: CNNとLSTMネットワークを用いた脳波復号
Abstract要約: 本研究では、畳み込みニューラルネットワーク(CNN)と双方向長短期記憶(bi-LSTM)ネットワークを統合するハイブリッドディープラーニングアーキテクチャを提案する。提案手法は,EEG取得システムを用いて得られた公開データセットとプライベートデータセットの両方を用いて評価する。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Motor imagery (MI) brain--computer interfaces (BCIs) have emerged as a promising approach for establishing flexible communication pathways between the human brain and external devices , particularly for individuals affected by stroke or neurodegenerative disorders. Reliable decoding of motor-imagery electroencephalography (MI-EEG) remains challenging because EEG recordings contain substantial noise and exhibit complex, weakly informative relationships with the underlying brain activity. Although deep learning provides an effective means of learning representations directly from EEG signals, its application to MI-EEG feature learning remains comparatively limited. This study introduces a hybrid deep-learning architecture that integrates a convolutional neural network (CNN) with a bidirectional long short-term memory (bi-LSTM) network. The CNN is used to learn high-level spatial and temporal representations directly from raw MI-EEG recordings, whereas the bi-LSTM models temporal dependencies and relationships among the extracted features. The proposed approach is evaluated using both a publicly available dataset and a privately acquired dataset obtained with an EEG acquisition system. The experimental results indicate that the CNN\&bi-LSTM architecture provides robust performance for both two- and three-class motor-imagery classification and demonstrates promising subject-independent decoding capability across the evaluated methods.
Abstract（参考訳）: 運動画像(MI)脳-コンピュータインターフェース(BCI)は、脳卒中や神経変性疾患に罹患した個人に対して、ヒト脳と外部デバイスとの間の柔軟なコミュニケーション経路を確立するための有望なアプローチとして登場した。脳波記録は大きなノイズを含み、基礎となる脳活動と複雑で弱い情報的関係を示すため、信頼性の高い運動画像脳波復号法(MI-EEG)は依然として困難である。深層学習は脳波信号から直接表現を学習する効果的な手段を提供するが、そのMI-EEG特徴学習への応用は比較的限られている。本研究では、畳み込みニューラルネットワーク(CNN)と双方向長短期記憶(bi-LSTM)ネットワークを統合するハイブリッドディープラーニングアーキテクチャを提案する。 CNNは生のMI-EEG記録から直接高レベルの空間的・時間的表現を学習するために使用され、一方、バイLSTMモデルは抽出された特徴間の時間的依存関係と関係をモデル化する。提案手法は,EEG取得システムを用いて得られた公開データセットとプライベートデータセットの両方を用いて評価する。実験結果から,CNN\&bi-LSTMアーキテクチャは2クラスと3クラスの両方の運動画像分類において堅牢な性能を示し,評価手法間で有望な被写体非依存復号能力を示すことが示された。

関連論文リスト

Enhancing Interpretability of AR-SSVEP-Based Motor Intention Recognition via CNN-BiLSTM and SHAP Analysis on EEG Data [14.913055035522936]
本研究では,患者のイニシアチブの欠如とセラピストの作業負荷に対処するために,AR-SSVEP(AR-SSVEP)システムを提案する。我々はHoloLens 2ベースの4つの脳波クラスを設計し、7人の健常者から脳波データを収集して分析する。
論文参考訳（メタデータ） (2025-12-07T08:52:45Z)
WaveMind: Towards a Conversational EEG Foundation Model Aligned to Textual and Visual Modalities [55.00677513249723]
脳波信号は認知過程と固有の神経状態の両方を同時に符号化する。我々は、EEG信号とその対応するモダリティを統一意味空間にマッピングし、一般化された解釈を実現する。結果として得られたモデルは、柔軟でオープンな会話をサポートしながら、堅牢な分類精度を示す。
論文参考訳（メタデータ） (2025-09-26T06:21:51Z)
Motor Imagery EEG Signal Classification Using Minimally Random Convolutional Kernel Transform and Hybrid Deep Learning [0.0]
例えば、運動画像脳-コンピュータインターフェース(MI-BCI)を通じて測定された特定の認知タスクや運動タスクに関連する隠されたパターンを処理し、理解することが重要である。運動画像に基づく脳波(MI-EEG)タスクの分類によって重要な課題が提示される。本稿では、最小ランダム畳み込みカーネル変換(MiniRocket)により特徴を効率的に抽出する脳波信号の分類法を提案する。
論文参考訳（メタデータ） (2025-08-22T07:55:10Z)
Brain2Vec: A Deep Learning Framework for EEG-Based Stress Detection Using CNN-LSTM-Attention [0.0]
Brain2Vecは、生の脳波記録からストレス状態を分類する新しいディープラーニングツールだ。これらの結果は、Brain2Vecがウェアラブルストレス監視プラットフォームとパーソナライズされたヘルスケアシステムに統合される可能性を示している。
論文参考訳（メタデータ） (2025-06-12T12:57:19Z)
CodeBrain: Towards Decoupled Interpretability and Multi-Scale Architecture for EEG Foundation Model [52.466542039411515]
EEGファウンデーションモデル(EFM)は、タスク固有のモデルのスケーラビリティ問題に対処するために登場した。このギャップを埋めるために設計された2段階のEMFであるCodeBrainを紹介します。第1段階では、異種時間・周波数の脳波信号を離散トークンに分解するTFDual-Tokenizerを導入する。第2段階では、構造化されたグローバル畳み込みとスライディングウインドウの注意を結合したマルチスケールEEGSSMアーキテクチャを提案する。
論文参考訳（メタデータ） (2025-06-10T17:20:39Z)
Interpretable Spatio-Temporal Embedding for Brain Structural-Effective Network with Ordinary Differential Equation [56.34634121544929]
本研究では,まず動的因果モデルを用いて脳効果ネットワークを構築する。次に、STE-ODE(Spatio-Temporal Embedding ODE)と呼ばれる解釈可能なグラフ学習フレームワークを導入する。このフレームワークは、構造的および効果的なネットワーク間の動的相互作用を捉えることを目的とした、特異的に設計されたノード埋め込み層を含んでいる。
論文参考訳（メタデータ） (2024-05-21T20:37:07Z)
MP-SeizNet: A Multi-Path CNN Bi-LSTM Network for Seizure-Type Classification Using EEG [2.1915057426589746]
てんかん患者の治療と管理には, 精垂型鑑別が不可欠である。本稿では,MP-SeizNetを用いた新しいマルチパス・アセプション型ディープラーニング・ネットワークを提案する。 MP-SeizNetは、畳み込みニューラルネットワーク(CNN)と、注意機構を備えた双方向長短期記憶ニューラルネットワーク(Bi-LSTM)で構成されている。
論文参考訳（メタデータ） (2022-11-09T01:07:20Z)
fMRI from EEG is only Deep Learning away: the use of interpretable DL to unravel EEG-fMRI relationships [68.8204255655161]
多チャンネル脳波データからいくつかの皮質下領域の活性を回復するための解釈可能な領域基底解を提案する。我々は,皮質下核の血行動態信号の頭皮脳波予測の空間的・時間的パターンを復元する。
論文参考訳（メタデータ） (2022-10-23T15:11:37Z)
An intertwined neural network model for EEG classification in brain-computer interfaces [0.6696153817334769]
脳コンピュータインタフェース(BCI)は、脳とコンピュータまたは外部装置との間の非刺激的直接的、時折双方向通信リンクである。マルチクラスモータ画像分類における最先端性能を実現するために特別に設計されたディープニューラルネットワークアーキテクチャを提案する。
論文参考訳（メタデータ） (2022-08-04T09:00:34Z)
Emotional EEG Classification using Connectivity Features and Convolutional Neural Networks [81.74442855155843]
CNNと脳のつながりを利用した新しい分類システムを導入し,その効果を感情映像分類により検証する。対象映像の感情的特性に関連する脳接続の集中度は分類性能と相関する。
論文参考訳（メタデータ） (2021-01-18T13:28:08Z)
Uncovering the structure of clinical EEG signals with self-supervised learning [64.4754948595556]
教師付き学習パラダイムは、しばしば利用可能なラベル付きデータの量によって制限される。この現象は脳波(EEG)などの臨床関連データに特に問題となる。ラベルのないデータから情報を抽出することで、ディープニューラルネットワークとの競合性能に到達することができるかもしれない。
論文参考訳（メタデータ） (2020-07-31T14:34:47Z)

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。