論文の概要: BCIJelly: An integrated ecosystem for brain-computer interface research

• arxiv url: http://arxiv.org/abs/2608.13576v1
• Date: Mon, 06 Jul 2026 02:59:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 05:09:55.20422
• Title: BCIJelly: An integrated ecosystem for brain-computer interface research
• Title（参考訳）: BCIJelly:脳とコンピュータのインターフェイス研究のための統合されたエコシステム
• Abstract要約: 脳-コンピュータインタフェース(BCI)の研究は多段階計算パイプラインに依存している。 BCIJellyは18のキュレートされたBCIデータセットと15のベンチマークデコーダ、80の再利用可能なモジュールからなるアルゴリズムライブラリを統合した、統合された計算エコシステムである。 toChipパイプラインは、ニューロモルフィックチップ上で実行するための訓練されたデコーダをコンパイルし、BCIシステムのエネルギー効率の高いデプロイを可能にする。
• 参考スコア（独自算出の注目度）: 24.146614853232546
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Brain-computer interface (BCI) research relies on multistage computational pipelines, yet progress remains constrained by fragmented data formats, heterogeneous decoder implementations and hardware-specific deployment toolchains, and researchers lack an integrated workflow. Here, we fill this gap with BCIJelly, a unified computational ecosystem that integrates 18 curated BCI datasets, 15 benchmark decoders and an algorithmic library of 80 reusable modules, an automated architecture search (AAS) procedure, and hardware-aware deployment through the toChip pipeline within a single Python framework. AAS constructs task-specific decoders without manual architecture design. It is further extended into a closed-loop mode guided by a large language model (LLM), which uses task specifications, module descriptions and search history to support multitask and cross-species decoding. The toChip pipeline compiles trained decoders for execution on neuromorphic chips, enabling energy-efficient deployment for BCI systems. An accompanying visualization software provides a graphical interface to the full workflow, making BCIJelly accessible without programming. We validate BCIJelly across five BCI paradigms (motor, visual, speech, emotion and auditory) with recordings from humans, macaques and mice, and single-task, multitask and cross-species decoding settings. BCIJelly establishes a unified and extensible infrastructure that bridges decoder development and hardware-aware deployment for BCI research.
• Abstract（参考訳）: 脳コンピュータインタフェース(BCI)の研究は多段階の計算パイプラインに依存しているが、進歩は断片化されたデータフォーマット、異種デコーダの実装、ハードウェア固有のデプロイメントツールチェーンによって制限されている。 BCIJellyは18のキュレートされたBCIデータセット、15のベンチマークデコーダ、80の再利用可能なモジュールのアルゴリズムライブラリ、自動アーキテクチャ検索(AAS)プロシージャ、単一のPythonフレームワーク内でのtoChipパイプラインによるハードウェア対応デプロイメントを統合した、統一的な計算エコシステムである。 AASは手作業によるアーキテクチャ設計なしでタスク固有のデコーダを構築する。 大規模言語モデル(LLM)によってガイドされるクローズドループモードにも拡張され、タスク仕様、モジュール記述、検索履歴を使用してマルチタスクとクロススペックの復号をサポートする。 toChipパイプラインは、ニューロモルフィックチップ上で実行するための訓練されたデコーダをコンパイルし、BCIシステムのエネルギー効率の高いデプロイを可能にする。 付随する視覚化ソフトウェアは、完全なワークフローにグラフィカルなインターフェースを提供し、プログラミングなしでBCIJellyにアクセスできるようにする。 我々はBCIJellyを5つのBCIパラダイム(運動、視覚、スピーチ、感情、聴覚)で検証し、ヒト、マカク、マウスからの録音、シングルタスク、マルチタスク、クロスタイプデコード設定を検証した。 BCIJellyは、BCI研究のためのデコーダ開発とハードウェア対応デプロイメントを橋渡しする、統一的で拡張可能なインフラストラクチャを確立する。

関連論文リスト

• LLM-based Hardware Development with Hierarchical IRs and End-to-End Multi-Agent Workflow [3.3126072964592836]
  大規模言語モデル (LLM) はソフトウェア開発でますます使われているが、複雑なハードウェア設計での使用は限られている。 階層型中間表現(IR)とエンドツーエンドのマルチエージェントワークフローを備えたLCMベースのハードウェア開発フレームワークを提案する。 We evaluate our framework on Verilog-Eval benchmark, achieve a pass@5 rate of 95.5%, which is a current-of-the-art LLM generation frameworks。
  論文  参考訳（メタデータ） (2026-08-31T11:57:37Z)
• IQuest-Coder-V1 Technical Report [56.045533451719905]
  IQuest-Coder-V1 シリーズ-(7B/14B/40B/40B-Loop) は、新しいコード大言語モデル(LLM)のファミリーである。 IQuest-Coder-V1は、コードインテリジェンスの重要な次元にわたる競合モデルの最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2026-03-17T16:15:31Z)
• Designing and Implementing a Generator Framework for a SIMD Abstraction Library [53.84310825081338]
  SIMD抽象化ライブラリを生成するための新しいエンドツーエンドフレームワークであるTSLGenを提案する。 私たちのフレームワークは既存のライブラリに匹敵するもので、同じパフォーマンスを実現しています。
  論文  参考訳（メタデータ） (2024-07-26T13:25:38Z)
• ChipXplore: Natural Language Exploration of Hardware Designs and Libraries [1.1704154007740835]
  ChipXploreは、エンジニアが自然言語を使って設計やPDKをクエリできる、大規模な言語モデルを利用したマルチエージェント協調フレームワークである。 ChipXploreは97.39%の精度を実現し、検索を5.63倍速くすることで生産性を向上させる。 ChipXploreのカスタマイズワークフローはジェネリックと比較して、複数のデータベース上の推論と計画のオーケストレーションが可能で、精度は29.78%向上している。
  論文  参考訳（メタデータ） (2024-07-17T17:11:13Z)
• CoIR: A Comprehensive Benchmark for Code Information Retrieval Models [52.61625841028781]
  COIR(Code Information Retrieval Benchmark)は、コード検索機能を評価するために設計された、堅牢で包括的なベンチマークである。 COIRは、厳密にキュレートされた10のコードデータセットで構成され、7つの異なるドメインにまたがる8つの特有の検索タスクにまたがる。 我々は,COIRを用いた9つの広く使用されている検索モデルを評価し,最先端システムにおいても,コード検索タスクの実行に重大な困難があることを明らかにする。
  論文  参考訳（メタデータ） (2024-07-03T07:58:20Z)
• ProgSG: Cross-Modality Representation Learning for Programs in Electronic Design Automation [38.023395256208055]
  高レベル合成(HLS)により、開発者はCとC++のソフトウェアコード形式で高レベルな記述をコンパイルできる。 HLSツールは相変わらず、プラグマで表されるマイクロアーキテクチャの決定を必要とする。 本稿では,ソースコードシーケンスのモダリティとグラフのモダリティを深く,きめ細かな方法で相互に相互作用させることができるProgSGを提案する。
  論文  参考訳（メタデータ） (2023-05-18T09:44:18Z)
• Composing Complex and Hybrid AI Solutions [52.00820391621739]
  一般的なAIアプリケーションで上記の機能を実現するためのAcumosシステムの拡張について述べる。 当社の拡張機能には、gRPC/Protobufインターフェースによるより汎用的なコンポーネントのサポートが含まれています。 デプロイ可能なソリューションとそのインターフェースの例を提供する。
  論文  参考訳（メタデータ） (2022-02-25T08:57:06Z)
• Collective Knowledge: organizing research projects as a database of reusable components and portable workflows with common APIs [0.2538209532048866]
  この記事では、集合的知識フレームワーク(CKまたはcKnowledge)のモチベーションと概要について述べる。 CKの概念は、研究プロジェクトを研究成果物をカプセル化した再利用可能なコンポーネントに分解することである。 長期的な目標は、研究者と実践者を結びつけて、すべての知識を共有し再利用することで、イノベーションを加速させることである。
  論文  参考訳（メタデータ） (2020-11-02T17:42:59Z)
• Auto-Panoptic: Cooperative Multi-Component Architecture Search for Panoptic Segmentation [144.50154657257605]
  本稿では、バックボーン、セグメンテーションブランチ、フィーチャーフュージョンモジュールを含むすべての主要コンポーネントを同時に検索する効率的なフレームワークを提案する。 検索したアーキテクチャ、すなわちAuto-Panopticは、挑戦的なCOCOとADE20Kベンチマークに関する新しい最先端技術を実現します。
  論文  参考訳（メタデータ） (2020-10-30T08:34:35Z)

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。