論文の概要: FRIST: FMRI Representation Informed Shared-space Training Improves EEG-only Individual-Finger BCI Decoding

• arxiv url: http://arxiv.org/abs/2609.12298v1
• Date: Fri, 11 Sep 2026 00:00:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-15 07:38:31.571522
• Title: FRIST: FMRI Representation Informed Shared-space Training Improves EEG-only Individual-Finger BCI Decoding
• Title（参考訳）: FRIST:FMRI表現インフォームド共有空間トレーニングにより、脳波のみの個別指BCIデコードが改善される
• Abstract要約: 本稿では2段階のEEGデコーディングフレームワークであるFRIST(Representation-Informed Shared-Space Training)を紹介する。 FRISTは脳波-fMRI同時記録からfMRIによるスペクトル投影を学習する。 その後、fMRIから派生したクラス幾何学を用いて脳波予測の残差を導出する。
• 参考スコア（独自算出の注目度）: 10.01205162586672
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Finger-level motor decoding is important for naturalistic brain-computer interface (BCI) control, yet individual-finger decoding from scalp electroencephalography (EEG) remains challenging because finger representations are spatially close in the sensorimotor cortex and blurred by volume conduction. Leveraging the high spatial resolution of functional MRI (fMRI), we introduce fMRI Representation-Informed Shared-Space Training (FRIST), a two-stage EEG decoding framework that first learns fMRI-informed spectral projections from simultaneous EEG-fMRI recordings and then uses fMRI-derived class geometry to guide residual refinement of EEG predictions. FRIST transfers information across recordings through shared finger labels without requiring paired trials and uses only EEG at inference. We evaluated 12 able-bodied participants during movement execution (ME) and motor imagery (MI) under two-class and three-class chronological session-held-out decoding simulating the online scenario. Using EEGNet as the EEG feature extractor, FRIST increased group average accuracy from 66.93% to 74.53% for two-class ME, from 44.83% to 56.58% for three-class ME, from 80.78% to 85.63% for two-class MI, and from 60.93% to 69.90% for three-class MI compared with the EEG-only EEGNet baseline. FRIST is also shown to improve EEG-only decoding when the target participant's own fMRI data were unavailable. FRIST also generalized across multiple EEG decoding backbones, reaching 87.40% in two-class MI and 72.54% in three-class MI with EEG Conformer as the EEG feature extractor. These findings indicate that fMRI provide useful spatial constraints for EEG representation learning. FRIST improves noninvasive EEG-based finger-level BCI decoding, offering a multimodal strategy for integrating the spatial specificity of fMRI with real-time applicability of EEG.
• Abstract（参考訳）: フィンガーレベルの運動復号法は、脳-コンピュータインタフェース(BCI)制御において重要であるが、指の表情が感覚運動野に空間的に近づき、体積伝導によってぼやけているため、頭皮電気脳波(EEG)からの個々のフィンガー復号法は依然として困難である。 機能的MRI(fMRI)の高空間分解能を活用して、fMRIによる脳波予測の残差改善を導出する2段階脳波デコードフレームワークであるfMRI Representation-Informed Shared-Space Training (FRIST)を導入する。 FRISTは、ペアの試行を必要とせず、共有指ラベルを通じてレコード間で情報を転送し、推論時にのみEEGを使用する。 運動実行(ME)および運動画像(MI)において,オンラインシナリオを模擬した2クラス,3クラスの時間的セッション保持型デコードにより,12名の有能な参加者を評価した。 EEGNetをEEG特徴抽出器として使用することにより、グループ平均精度は2クラスMEでは66.93%から74.53%に増加し、3クラスMEでは44.83%から56.58%に、2クラスMIでは80.78%から85.63%に、EEGのみのEEGNetベースラインでは60.93%から69.90%に向上した。 FRISTはまた、ターゲットのfMRIデータが利用できない場合、EEGのみのデコードを改善する。 FRISTはまた、複数のEEGデコードバックボーンをまたいで一般化し、2クラスMIで87.40%、EEGコンフォーマーをEEG特徴抽出器として3クラスMIで72.54%に達した。 これらの結果は,fMRIが脳波表現学習に有用な空間的制約を提供することを示している。 FRISTは非侵襲的な脳波に基づく指レベルBCIデコーディングを改善し、fMRIの空間特異性と脳波のリアルタイム適用性を統合するためのマルチモーダル戦略を提供する。

関連論文リスト

• EEGBind: Detecting Source-Level Interictal Epileptiform Discharges via EEG-Centric Multimodal Binding [12.360923208703293]
  EEGBindは5クラスソースレベルのIED分類のためのEEG中心のマルチモーダルバインディングフレームワークである。 EEGBindは、EEGを主要なモダリティとして扱い、EEG中心の表現を中心とした同期ビデオコンテキスト機能を結合する。 NeuroMM 2026 Grand Challenge Track 3 NMM-Source-IEDベンチマークでは、EEGBindは重み付きF1で0.8395を獲得し、強力な競争相手を上回っている。
  論文  参考訳（メタデータ） (2026-09-09T05:15:22Z)
• MEL: Coordinate-Preserving EEG Tokenization for fMRI Translation [25.21200422340112]
  脳波を機能的磁気共鳴イメージング(fMRI)に変換することは、医学的神経イメージング、臨床脳状態モニタリング、マルチモーダル神経復号において重要である。 既存の脳波からfMRIまでの研究は主により強力なデコーダを追求しているが、この問題は表現とインタフェースのミスマッチによって制限されている。 座標保存型EEG表現フレームワークであるMEL(Multi-band EEG Latent-state Tokenization)を提案する。
  論文  参考訳（メタデータ） (2026-08-29T14:43:51Z)
• CLEF: EEG Foundation Model for Learning Clinical Semantics [50.3767252824646]
  CLEFは,脳波基礎モデルである。 CLEFは, 疾患の表現型, 薬物曝露, 脳波所見にまたがる新しい234タスク・ベンチマークで評価した。
  論文  参考訳（メタデータ） (2026-05-11T16:34:58Z)
• Echo2ECG: Enhancing ECG Representations with Cardiac Morphology from Multi-View Echos [53.368813255127115]
  既存の自己教師型手法は、ECGをシングルビューエコーに整列させることで、表現ミスマッチに悩まされる。 本稿では,心電図表現を多視点エコーで捉えることで,心電図表現を充実させるマルチモーダル自己教師型学習フレームワークであるEcho2ECGを提案する。 臨床的に関係のある2つの課題に対して,Echo2ECGをECG特徴抽出器として評価した。
  論文  参考訳（メタデータ） (2026-03-09T15:39:57Z)
• Simulator and Experience Enhanced Diffusion Model for Comprehensive ECG Generation [52.19347532840774]
  本稿では,心電図生成のための新しい生理シミュレータSE-Diffを提案する。 SE-Diffは、軽量常微分方程式(ODE)ベースのECGシミュレータをビートデコーダを介して拡散過程に統合する。 実世界のECGデータセットに対する大規模な実験により、SE-Diffは信号の忠実度とテキスト-ECGセマンティックアライメントの両方を改善している。
  論文  参考訳（メタデータ） (2025-11-13T02:57:10Z)
• Cortical-SSM: A Deep State Space Model for EEG and ECoG Motor Imagery Decoding [2.8915595869638424]
  我々は,脳波とECoG信号の統合的な依存関係を捉えるために,深部状態空間モデルを拡張する新しいアーキテクチャであるCortical-SSMを提案する。 我々は,1)50名以上の被験者を含む大規模MI EEGデータセットと,2)筋萎縮性側索硬化症患者から得られたMI ECoGデータセットの3つのベンチマークで,本手法を検証した。
  論文  参考訳（メタデータ） (2025-10-17T07:13:55Z)
• BrainOmni: A Brain Foundation Model for Unified EEG and MEG Signals [46.121056431476156]
  異種脳波とMEG記録を対象とする脳基礎モデルBrain Omniを提案する。 既存のアプローチは一般的に、パフォーマンスとクロスドメインのスケーラビリティを制限する、分離、モダリティ、データセット固有のモデルに依存します。 EEGの合計1,997時間、MEGデータの656時間は、事前トレーニングのために公開されているソースからキュレーションされ、標準化されている。
  論文  参考訳（メタデータ） (2025-05-18T14:07:14Z)
• EEG_RL-Net: Enhancing EEG MI Classification through Reinforcement Learning-Optimised Graph Neural Networks [7.9035081192335115]
  本稿では、EEG_GLT-NetからトレーニングされたEEG GCNブロックを隣接行列密度13.39%で組み込んだEEG_GLT-Netフレームワークの強化であるEEG_RL-Netを提案する。 EEG_RL-Netモデルは例外的な分類性能を示し、25ミリ秒以内の20人の被験者の平均精度は96.40%である。
  論文  参考訳（メタデータ） (2024-04-26T13:09:50Z)
• Enhancing EEG-to-Text Decoding through Transferable Representations from Pre-trained Contrastive EEG-Text Masked Autoencoder [69.7813498468116]
  コントラスト型脳波テキストマスケード自動エンコーダ(CET-MAE)を提案する。 また、E2T-PTR(Pretrained Transferable Representationsを用いたEEG-to-Text decoding)と呼ばれるフレームワークを開発し、EEGシーケンスからテキストをデコードする。
  論文  参考訳（メタデータ） (2024-02-27T11:45:21Z)
• 3D-CLMI: A Motor Imagery EEG Classification Model via Fusion of 3D-CNN and LSTM with Attention [0.174048653626208]
  本稿では,3次元畳み込みニューラルネットワーク(CNN)と長期記憶ネットワーク(LSTM)を組み合わせて運動画像(MI)信号を分類するモデルを提案する。 実験の結果、このモデルは、BCIコンペティションIVデータセット2aの分類精度92.7%、F1スコア0.91に達した。 このモデルにより、ユーザの運動像意図の分類精度が大幅に向上し、自律走行車や医療リハビリテーションといった新興分野における脳-コンピュータインタフェースの応用可能性が改善された。
  論文  参考訳（メタデータ） (2023-12-20T03:38:24Z)
• EEG-Inception: An Accurate and Robust End-to-End Neural Network for EEG-based Motor Imagery Classification [123.93460670568554]
  本稿では,脳波に基づく運動画像(MI)分類のための新しい畳み込みニューラルネットワーク(CNN)アーキテクチャを提案する。 提案したCNNモデル、すなわちEEG-Inceptionは、Inception-Timeネットワークのバックボーン上に構築されている。 提案するネットワークは、生のEEG信号を入力とし、複雑なEEG信号前処理を必要としないため、エンドツーエンドの分類である。
  論文  参考訳（メタデータ） (2021-01-24T19:03:10Z)
• A Global Benchmark of Algorithms for Segmenting Late Gadolinium-Enhanced Cardiac Magnetic Resonance Imaging [90.29017019187282]
  現在世界最大の心臓LGE-MRIデータセットである154個の3D LGE-MRIを用いた「2018 left Atrium Challenge」。 技術および生物学的指標を用いた提案アルゴリズムの解析を行った。 その結果, 最上部法は93.2%, 平均表面は0.7mmであった。
  論文  参考訳（メタデータ） (2020-04-26T08:49:17Z)

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。