論文の概要: Multi-Feature Riemannian Hypergraph for Online Test-Time Adaptation of Motor Imagery Brain-Computer Interface
- arxiv url: http://arxiv.org/abs/2608.16134v1
- Date: Mon, 17 Aug 2026 05:41:34 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-18 19:59:03.547271
- Title: Multi-Feature Riemannian Hypergraph for Online Test-Time Adaptation of Motor Imagery Brain-Computer Interface
- Title（参考訳）: 多機能リーマンハイパーグラフによる運動画像脳-コンピュータインタフェースのオンラインテスト時間適応
- Abstract要約: ハイパーグラフは高次サンプル関係をキャプチャすることで転送性を向上させることができる。
既存のハイパーグラフに基づくオンライン感情認識手法は、リーマン幾何学の日々の利益を無視している。
MRieHyはMI-BCIデコードにおけるオンラインテストタイム適応に適したフレームワークである。
- 参考スコア（独自算出の注目度）: 11.921161609364779
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In clinical motor imagery brain-computer interface (MI-BCI) decoding, cross-day transferability and online operation remain two critical challenges. Hypergraphs can improve transferability by capturing higher-order sample relationships, yet existing hypergraph-based methods for online emotion recognition neglect the cross-day benefits of Riemannian geometry widely adopted in EEG transfer learning. To bridge this gap, we propose the Multi-feature Riemannian Hypergraph (MRieHy), a framework tailored for online test-time adaptation in MI-BCI decoding that leverages Riemannian geometry to strengthen cross-day transferability. MRieHy first computes Riemannian means of covariance matrices from cross-day training data to align multi-day distributions. It then constructs a hypergraph over covariance matrices using Riemannian distance, complemented by a second hypergraph over deep features built with cosine similarity. The two hypergraphs are fused via adaptively learned combination weights, jointly optimized with the label projection matrices. During online testing, MRieHy maintains a first-in-first-out buffer of recent samples, performs Riemannian alignment on the buffered data, and decodes with the learned hypergraph. Extensive experiments on a private four-class ECoG dataset and two public four-class EEG datasets validate that MRieHy achieves notable performance gains over state-of-the-art baselines.
- Abstract（参考訳）: 臨床運動画像脳-コンピュータインタフェース(MI-BCI)のデコードでは、日次移動性とオンライン操作は2つの重要な課題である。
ハイパーグラフは高次サンプル関係を捉えることで転送可能性を向上させることができるが、既存のハイパーグラフベースのオンライン感情認識手法は、脳波伝達学習において広く採用されているリーマン幾何学の日次利益を無視している。
このギャップを埋めるため,Multi-feature Riemannian Hypergraph (MRieHy) を提案する。
MRieHyは、マルチデイの分布を調整するために、クロスデイトレーニングデータから、まずリーマン行列の共分散平均を計算する。
その後、リーマン距離を用いて共分散行列上のハイパーグラフを構築し、コサイン類似性で構築された深い特徴に関する第2のハイパーグラフで補足する。
2つのハイパーグラフは、適応的に学習された組合せ重みによって融合され、ラベル投影行列と共同最適化される。
オンラインテスト中、MRieHyは最近のサンプルのファースト・イン・ファースト・アウトバッファを保持し、バッファ化されたデータにリーマンアライメントを実行し、学習したハイパーグラフでデコードする。
プライベートな4クラスのECoGデータセットと2つのパブリックな4クラスのEEGデータセットに関する大規模な実験は、MRieHyが最先端のベースラインよりも顕著なパフォーマンス向上を達成したことを証明している。
関連論文リスト
- BHyGNN+: Unsupervised Representation Learning for Heterophilic Hypergraphs [50.161252392272324]
異種ハイパーグラフ上での表現学習のための自己教師型学習フレームワークであるBHyGNN+を紹介する。
ハイパーグラフの強化ビューとコサイン類似性(cosine similarity)を対比することにより、我々のフレームワークは、完全に教師なしの方法で本質的な構造パターンをキャプチャする。
本研究では,ハイパーグラフの双対性を利用した自己教師型学習の有効性を検証した。
論文 参考訳（メタデータ） (2026-02-16T16:55:37Z) - HyperSMOTE: A Hypergraph-based Oversampling Approach for Imbalanced Node Classifications [2.172034690069702]
ハイパーグラフ学習におけるクラス不均衡問題を緩和する手法としてHyperSMOTEを提案する。
マイノリティクラスとその周辺地域のサンプルに基づいて新しいノードを合成する。
新たなノードをハイパーグラフに統合する際の問題を解決するために,元のハイパーグラフインシデント行列に基づいてデコーダを訓練する。
論文 参考訳（メタデータ） (2024-09-09T08:01:28Z) - Prototype Learning Guided Hybrid Network for Breast Tumor Segmentation in DCE-MRI [58.809276442508256]
本稿では,畳み込みニューラルネットワーク(CNN)とトランスフォーマー層を組み合わせたハイブリッドネットワークを提案する。
プライベートおよびパブリックなDCE-MRIデータセットの実験結果から,提案したハイブリッドネットワークは最先端の手法よりも優れた性能を示した。
論文 参考訳（メタデータ） (2024-08-11T15:46:00Z) - Hypergraph Transformer for Semi-Supervised Classification [50.92027313775934]
我々は新しいハイパーグラフ学習フレームワークHyperGraph Transformer(HyperGT)を提案する。
HyperGTはTransformerベースのニューラルネットワークアーキテクチャを使用して、すべてのノードとハイパーエッジのグローバル相関を効果的に検討する。
局所接続パターンを保ちながら、グローバルな相互作用を効果的に組み込むことで、包括的なハイパーグラフ表現学習を実現する。
論文 参考訳（メタデータ） (2023-12-18T17:50:52Z) - Enhancing Motor Imagery Decoding in Brain Computer Interfaces using
Riemann Tangent Space Mapping and Cross Frequency Coupling [5.860347939369221]
運動画像(MI)は脳コンピュータインタフェース(BCI)の領域における重要な実験パラダイムである
本稿では,MI特徴量に関する表現品質と復号化能力を向上させるための新しい手法を提案する。
さらに特徴抽出と分類のために軽量畳み込みニューラルネットワークが使用され、クロスエントロピーとセンターロスの共同管理の下で動作している。
論文 参考訳（メタデータ） (2023-10-29T23:37:47Z) - From Hypergraph Energy Functions to Hypergraph Neural Networks [94.88564151540459]
パラメータ化されたハイパーグラフ正規化エネルギー関数の表現型族を示す。
次に、これらのエネルギーの最小化がノード埋め込みとして効果的に機能することを実証する。
提案した双レベルハイパーグラフ最適化と既存のGNNアーキテクチャを共通的に用いている。
論文 参考訳（メタデータ） (2023-06-16T04:40:59Z) - Augmentations in Hypergraph Contrastive Learning: Fabricated and
Generative [126.0985540285981]
我々は、ハイパーグラフニューラルネットワークの一般化性を改善するために、画像/グラフからの対照的な学習アプローチ(ハイパーGCLと呼ぶ)を適用する。
我々は、高次関係を符号化したハイパーエッジを増大させる2つのスキームを作成し、グラフ構造化データから3つの拡張戦略を採用する。
拡張ビューを生成するためのハイパーグラフ生成モデルを提案し、次に、ハイパーグラフ拡張とモデルパラメータを協調的に学習するエンド・ツー・エンドの微分可能なパイプラインを提案する。
論文 参考訳（メタデータ） (2022-10-07T20:12:20Z) - Bayesian Low-rank Matrix Completion with Dual-graph Embedding: Prior
Analysis and Tuning-free Inference [16.82986562533071]
本稿では,デュアルグラフ正規化に関連するハイパーパラメータを自動的に学習する新しいベイズ学習アルゴリズムを提案する。
行列の低ランク化を促進し、デュアルグラフ情報を同時に符号化する新規な事前設計を行う。
合成および実世界のデータセットを用いた実験は、提案した学習アルゴリズムの最先端性能を示す。
論文 参考訳（メタデータ） (2022-03-18T16:38:30Z) - MGAE: Masked Autoencoders for Self-Supervised Learning on Graphs [55.66953093401889]
Masked Graph Autoencoder (MGAE) フレームワークは、グラフ構造データの効果的な学習を行う。
自己指導型学習から洞察を得て、私たちはランダムに大量のエッジを隠蔽し、トレーニング中に欠落したエッジを再構築しようとします。
論文 参考訳（メタデータ） (2022-01-07T16:48:07Z) - Adaptive Neural Message Passing for Inductive Learning on Hypergraphs [21.606287447052757]
本稿では,新しいハイパーグラフ学習フレームワークHyperMSGを紹介する。
各ノードの次数集中度に関連する注意重みを学習することで、データとタスクに適応する。
堅牢で、幅広いタスクやデータセットで最先端のハイパーグラフ学習手法より優れています。
論文 参考訳（メタデータ） (2021-09-22T12:24:02Z) - Residual Enhanced Multi-Hypergraph Neural Network [26.42547421121713]
HyperGraph Neural Network (HGNN) はハイパーグラフ表現学習のためのデファクト手法である。
本稿では,各ハイパーグラフからのマルチモーダル情報を効果的に融合できるResidual enhanced Multi-Hypergraph Neural Networkを提案する。
論文 参考訳（メタデータ） (2021-05-02T14:53:32Z)
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。