論文の概要: A Multi-Objective Optimisation Framework for Corticomuscular EEG-EMG Pair Selection in Hybrid BCI
- arxiv url: http://arxiv.org/abs/2609.20275v1
- Date: Wed, 29 Jul 2026 09:16:22 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-28 05:09:55.651033
- Title: A Multi-Objective Optimisation Framework for Corticomuscular EEG-EMG Pair Selection in Hybrid BCI
- Title（参考訳）: ハイブリッドBCIにおける皮質脳波-EMGペア選択のための多目的最適化フレームワーク
- Abstract要約: 脳波(EEG)と筋電図(EMG)を統合したハイブリッド脳コンピュータインタフェース(BCI)は、運動画像(MI)分類の信頼性向上に有意な可能性を示唆している。
既存のアプローチは、典型的には、主題をまたいで一般化しないような、手動で定義されたチャネルの組み合わせに依存している。
本研究では,データ駆動型EEG-EMGペア選択フレームワークを提案する。
- 参考スコア（独自算出の注目度）: 7.727905404396572
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Hybrid brain-computer interface (BCI) systems that integrate electroencephalography (EEG) and electromyography (EMG) signals have shown significant potential in improving the reliability of motor imagery (MI) classification, particularly in neuro-rehabilitation applications. However, identifying informative EEG-EMG channel pairs that effectively capture corticomuscular interactions remains a challenging problem, as existing approaches typically rely on manually predefined channel combinations that may not generalise across subjects. In this work, a data-driven EEG-EMG pair selection framework is proposed, in which channel pair selection is formulated as a constrained bi-objective optimisation problem. The proposed method jointly maximises the spatial relevance of EEG channels with respect to motor cortex regions and the corticomuscular coupling strength between EEG and EMG signals, and is solved using the NSGA-II to automatically identify an optimal subset of pairs. To extract discriminative features, the correlation between band-power time features capturing EEG-EMG interaction is combined with ERD-based EEG features, and a sliding-window-based temporal analysis is employed to account for the dynamic nature of MI signals. The proposed framework is evaluated on MI data from eight stroke patients and achieves an average classification accuracy of 89.6%, demonstrating its effectiveness in capturing physiologically meaningful corticomuscular interactions and improving classification performance.
- Abstract（参考訳）: 脳波(EEG)と筋電図(EMG)を統合したハイブリッド脳コンピュータインタフェース(BCI)は、特に神経リハビリテーション応用において、運動画像(MI)分類の信頼性を向上させる重要な可能性を示している。
しかし,脳波と脳波の相互作用を効果的に捉えた情報的脳波とEMGのチャネルペアの同定は難しい問題であり,既存のアプローチでは一般に,被験者間で一般化できないような,手動で定義されたチャネルの組み合わせに依存している。
本研究では,データ駆動型EEG-EMGペア選択フレームワークを提案する。
提案手法は,脳波とEMG信号の運動野領域に対する脳波チャネルの空間的関係と,脳波とEMG信号の皮質筋結合強度を共同で最大化し,NSGA-IIを用いてペアの最適部分集合を自動同定する。
識別的特徴を抽出するために,脳波とEMGの相互作用を捉えるバンドパワー時間特徴とERDベースの脳波特徴との相関を組み合わせ,MI信号の動的性質を考慮に入れたスライディングウインドウに基づく時間解析を用いる。
提案手法は脳卒中8例のMIデータを用いて評価され,89.6%の平均分類精度が得られた。
関連論文リスト
- A Domain-Informed Multi-Objective Framework for EEG Channel Selection in Motor Imagery BCIs [8.252382247265325]
運動画像(MI)分類は脳-コンピュータインターフェース(BCI)の進展に不可欠である
本研究では,非支配的ソート遺伝的アルゴリズムを用いた多目的最適化フレームワークを提案する。
このフレームワークを4つのEEGデータセット(Physto、OpenBMI、HighGamma、BCIIV-2A)で評価した。
論文 参考訳（メタデータ） (2026-05-28T13:54:39Z) - 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) - Feature Selection via Dynamic Graph-based Attention Block in MI-based EEG Signals [0.0]
脳-コンピュータインタフェース(BCI)技術は、脳信号を分析して人間とコンピュータの直接的な相互作用を可能にする。
脳波信号は、しばしば低信号対雑音比、生理的アーティファクト、および個々の変数の影響を受けており、異なる特徴を抽出する際の課題を表している。
また、運動画像(MI)に基づく脳波信号には、MI特性との相関が低い特徴が含まれており、深部モデルの重みがそれらの特徴に偏っている可能性がある。
論文 参考訳（メタデータ） (2024-10-31T00:53:29Z) - ECGMamba: Towards Efficient ECG Classification with BiSSM [3.0120310355085467]
本稿では,双方向状態空間モデル(BiSSM)を用いて分類効率を向上させる新しいモデルECGMambaを提案する。
2つの公開ECGデータセットの実験結果は、ECGMambaが効果的に分類の有効性と効率のバランスをとることを示した。
論文 参考訳（メタデータ） (2024-06-14T14:55:53Z) - Optimizing Brain-Computer Interface Performance: Advancing EEG Signals Channel Selection through Regularized CSP and SPEA II Multi-Objective Optimization [13.981941979747305]
RCSPは脳波信号の識別と分類に有効である。
我々は、MIタスクを持つマルチチャネル脳波信号からチャネルのサブセットを選択する際に、最先端のアプローチを採用する。
論文 参考訳（メタデータ） (2024-04-26T00:04:41Z) - EKGNet: A 10.96{\mu}W Fully Analog Neural Network for Intra-Patient
Arrhythmia Classification [79.7946379395238]
心電図不整脈分類におけるアナログ計算と深層学習を組み合わせた統合的アプローチを提案する。
本稿では,低消費電力で高精度にアーカイブするハードウェア効率と完全アナログ不整脈分類アーキテクチャであるEKGNetを提案する。
論文 参考訳（メタデータ） (2023-10-24T02:37:49Z) - DGSD: Dynamical Graph Self-Distillation for EEG-Based Auditory Spatial
Attention Detection [49.196182908826565]
AAD(Auditory Attention Detection)は、マルチスピーカー環境で脳信号からターゲット話者を検出することを目的としている。
現在のアプローチは主に、画像のようなユークリッドデータを処理するために設計された従来の畳み込みニューラルネットワークに依存している。
本稿では、入力として音声刺激を必要としないAADのための動的グラフ自己蒸留(DGSD)手法を提案する。
論文 参考訳（メタデータ） (2023-09-07T13:43:46Z) - Multiple Time Series Fusion Based on LSTM An Application to CAP A Phase
Classification Using EEG [56.155331323304]
本研究では,深層学習に基づく脳波チャンネルの特徴レベル融合を行う。
チャネル選択,融合,分類手順を2つの最適化アルゴリズムで最適化した。
論文 参考訳（メタデータ） (2021-12-18T14:17:49Z) - 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) - Performance of Dual-Augmented Lagrangian Method and Common Spatial
Patterns applied in classification of Motor-Imagery BCI [68.8204255655161]
運動画像に基づく脳-コンピュータインタフェース(MI-BCI)は、神経リハビリテーションのための画期的な技術になる可能性がある。
使用する脳波信号のノイズの性質のため、信頼性の高いBCIシステムは特徴の最適化と抽出のために特別な手順を必要とする。
論文 参考訳（メタデータ） (2020-10-13T20:50:13Z)
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。