論文の概要: Accurate Decoding of Natural Sentences from Non-Invasive Brain Recordings

• arxiv url: http://arxiv.org/abs/2608.18114v1
• Date: Mon, 29 Jun 2026 15:19:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 05:09:55.257589
• Title: Accurate Decoding of Natural Sentences from Non-Invasive Brain Recordings
• Title（参考訳）: 非侵襲脳記録からの自然文の正確な復号
• Abstract要約: 脳2Qwerty v2は、リアルタイム脳磁図(MEG)記録からのみ、自然文の生成をデコードできるモデルである。 ディープラーニングによるイベント検出のための手作りパイプラインの置換,意味表現を抽出するための大規模言語モデルの微調整,デコードパイプラインを反復的に洗練するためのAIエージェントの配置,という3つの方法によって,AIがこのパフォーマンスを実現することを示す。
• 参考スコア（独自算出の注目度）: 8.931958847414986
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Restoring communication for people who have lost the ability to speak or move after a brain injury is a major challenge. While intracranial implants now enable high-performing brain-computer-interfaces, non-invasive alternatives are still lagging behind. Here, we present Brain2Qwerty v2, a model that can decode the production of natural sentences solely from real-time magnetoencephalography (MEG) recordings. By collecting 22,000 sentences typed by nine subjects, each recorded for 10 hours, our model leverages character, word and sentence-level representations to achieve an average word error rate (WER) of 39%. For our best participant, the model accurately decodes half of the sentences with one word error or less. Critically, decoding accuracy log-linearly improves with data volume, suggesting that the performance gap with intracranial approaches could be partially bridged through data scaling. We show that AI enables this performance in three main ways: the substitution of hand-crafted pipelines for event detection with deep learning, the finetuning of large language models to extract semantic representations, and the deployment of AI agents to iteratively refine our decoding pipeline via automated code development. Together, these results show that non-invasive brain-to-text decoding starts to operate at a level of accuracy previously thought exclusive to surgical implants, opening a path toward safe and efficient brain-computer-interfaces.
• Abstract（参考訳）: 脳損傷後に会話や移動能力を失った人々のためのコミュニケーションの回復は大きな課題である。 頭蓋内インプラントはハイパフォーマンスな脳とコンピューターのインターフェイスを可能にするが、非侵襲的な代替手段はまだ遅れている。 本稿では、リアルタイム脳磁図(MEG)記録のみから自然文の生成をデコードできるBrain2Qwerty v2を提案する。 9人の被験者が入力した22,000の文章を10時間記録することにより、平均単語誤り率(WER)が39%に達するように文字、単語、文章レベルの表現を活用できる。 最高の参加者にとって、このモデルは文の半分を1ワードの誤りで正確に復号する。 臨界的には、データボリュームによって復号精度が対数的に向上し、頭蓋内アプローチによるパフォーマンスギャップがデータスケーリングによって部分的に橋渡しされる可能性があることを示唆している。 ディープラーニングによるイベント検出のための手作りパイプラインの置換,意味表現抽出のための大規模言語モデルの微調整,自動コード開発によるデコードパイプラインの反復的洗練のためのAIエージェントの配置,という3つの方法によって,AIがこのパフォーマンスを実現することを示す。 これらの結果から、非侵襲的な脳とテキストのデコーディングは、これまで外科インプラント専用と考えられていた精度で動作し始め、安全で効率的な脳とコンピュータのインタフェースへの道を開くことが示されている。

関連論文リスト

• End-to-End Intracortical Speech Decoding from Neural Activity [0.8209843760716958]
  そこで本研究では,ALSの参加者の皮質内記録を直接トレーニングした,エンドツーエンドのコンフォーマーベースのニューラルデコーダを提案する。 外部言語モデルがなければ、システムは保持されたバリデーションデータに対して23.80%の文字誤り率(CER)を達成する。
  論文  参考訳（メタデータ） (2026-05-23T00:39:59Z)
• Brain-to-Text Decoding: A Non-invasive Approach via Typing [8.664162002581966]
  脳活動から文の生成を復号する非侵襲的手法を提案する。 脳2Qwertyは、脳波(EEG)または脳磁図(MEG)から文章を復号するために訓練された新しいディープラーニングアーキテクチャである。 MEGでは、Brain2Qwertyは平均して32%のキャラクタエラーレート(CER)に達し、脳波を大幅に上回っている。
  論文  参考訳（メタデータ） (2025-02-18T08:36:46Z)
• Decoding speech perception from non-invasive brain recordings [48.46819575538446]
  非侵襲的な記録から知覚音声の自己教師付き表現をデコードするために、コントラスト学習で訓練されたモデルを導入する。 我々のモデルでは、3秒のMEG信号から、1,000以上の異なる可能性から最大41%の精度で対応する音声セグメントを識別できる。
  論文  参考訳（メタデータ） (2022-08-25T10:01:43Z)
• Toward a realistic model of speech processing in the brain with self-supervised learning [67.7130239674153]
  生波形で訓練された自己教師型アルゴリズムは有望な候補である。 We show that Wav2Vec 2.0 learns brain-like representations with little as 600 hours of unlabelled speech。
  論文  参考訳（メタデータ） (2022-06-03T17:01:46Z)
• Pre-Training Transformer Decoder for End-to-End ASR Model with Unpaired Speech Data [145.95460945321253]
  本稿では,音響単位,すなわち擬似符号を用いたエンコーダ・デコーダネットワークのための2つの事前学習タスクを提案する。 提案したSpeech2Cは,デコーダを事前学習することなく,単語誤り率(WER)を19.2%削減できる。
  論文  参考訳（メタデータ） (2022-03-31T15:33:56Z)
• Open Vocabulary Electroencephalography-To-Text Decoding and Zero-shot Sentiment Classification [78.120927891455]
  最先端のブレイン・トゥ・テキストシステムは、ニューラルネットワークを使用して脳信号から直接言語を復号することに成功した。 本稿では,自然読解課題における語彙的脳波(EEG)-テキスト列列列復号化とゼロショット文感性分類に問題を拡張する。 脳波-テキストデコーディングで40.1%のBLEU-1スコア、ゼロショット脳波に基づく3次感情分類で55.6%のF1スコアを達成し、教師付きベースラインを著しく上回る結果となった。
  論文  参考訳（メタデータ） (2021-12-05T21:57:22Z)

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。