論文の概要: Bio-MF: Low-Latency and High-Fidelity EEG-to-fNIRS Cross-Modal Generation for Hybrid Motor-Imagery Brain--Computer Interfaces

• arxiv url: http://arxiv.org/abs/2609.20904v1
• Date: Thu, 17 Sep 2026 14:52:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-21 18:40:16.738917
• Title: Bio-MF: Low-Latency and High-Fidelity EEG-to-fNIRS Cross-Modal Generation for Hybrid Motor-Imagery Brain--Computer Interfaces
• Title（参考訳）: バイオMF:ハイブリッドモータ画像脳-コンピュータインタフェースのための低レイテンシ・高忠実脳波-fNIRSクロスモーダル生成
• Abstract要約: Bio-MFは、EEG条件のfNIRS生成のための潜伏のないワンステップMeanFlowフレームワークである。 ダウンストリームハイブリッドMI復号のためのタスク関連生成品質を保ちながら、高速なEEG-to-fNIRS合成を可能にする。
• 参考スコア（独自算出の注目度）: 0.7305342793164904
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Hybrid motor-imagery brain-computer interfaces (MI-BCIs) combining EEG and fNIRS can outperform EEG-only systems by exploiting complementary electrophysiological and hemodynamic information. To obtain such hybrid information when paired EEG-fNIRS acquisition is unavailable or inconvenient, recent studies have focused on EEG-to-fNIRS cross-modal generation. However, existing methods still suffer from slow generation and often require pretraining, limiting their use in real-time MI-BCI scenarios. Although one-step generative models offer an attractive route to low-latency synthesis, removing the iterative refinement process can reduce generation fidelity and introduce non-physiological artifacts. To address these problems, this paper proposes Bio-MF, a latent-free one-step MeanFlow framework for EEG-conditioned fNIRS generation. Bio-MF performs direct signal-space x-prediction, converts this signal-space output into MeanFlow velocity supervision, and completes inference with one network evaluation. To preserve task-relevant hemodynamic structure under heterogeneous sensor layouts, Bio-MF integrates Spatial-Temporal Interactive 4D Encoding, cross-modal classifier-free guidance, and noise-level-gated FFT regularization. On Dataset 1, EEG + synthetic fNIRS improves ACC over EEG-only by 3.37 and 4.15 percentage points for HbR and HbO, respectively. On Dataset 2, the corresponding gains remain 2.98 and 2.50 percentage points under the unseen 64-channel EEG montage. On an RTX PRO 6000 GPU, Bio-MF generates one fNIRS trial in 7.0 ms, corresponding to an 857x speedup over the 1000-step SCDM latency. These results show that Bio-MF enables fast EEG-to-fNIRS synthesis while preserving task-relevant generation quality for downstream hybrid MI decoding. Our code is available at https://github.com/psychosiwa/Bio-MF.
• Abstract（参考訳）: 脳波とfNIRSを組み合わせたハイブリッド・モーター・イメージング脳-コンピュータ・インタフェース(MI-BCI)は、相補的な電気生理学的および血行力学的情報を活用することにより、脳波のみのシステムより優れている。 ペア型EEG-fNIRSの取得が不可能あるいは不便な場合,このようなハイブリッド情報を得るために,近年の研究では,EEG-to-fNIRSのクロスモーダル生成に注目している。 しかし、既存のメソッドは依然として遅い生成に悩まされており、しばしば事前トレーニングを必要とし、リアルタイムMI-BCIシナリオでの使用を制限する。 1段階生成モデルは低遅延合成への魅力的な経路を提供するが、反復的精製プロセスの除去は生成の忠実度を減少させ、非生理的アーティファクトを導入する。 これらの問題に対処するために,脳波条件付きfNIRS生成のための潜伏フリーワンステップMeanFlowフレームワークであるBio-MFを提案する。 Bio-MFは直接信号空間x予測を行い、この信号空間出力をMeanFlow速度監視に変換し、1つのネットワーク評価で推論を完了させる。 不均一なセンサレイアウト下でのタスク関連血行構造を維持するため、Bio-MFは空間-テンポラルインタラクティブ4Dエンコーディング、クロスモーダル分類器フリーガイダンス、ノイズレベルゲートFFT正規化を統合している。 データセット1では、EEG+合成fNIRSは、それぞれHbRとHbOの3.37ポイントと4.15ポイントの改善を行う。 Dataset 2では、未確認の64チャンネルのEEGモンタージュの2.98と2.50ポイントの差が残っている。 RTX PRO 6000 GPUでは、Bio-MFは1つのfNIRSトライアルを7.0msで生成する。 これらの結果から,Bio-MFは,下流ハイブリッドMI復号におけるタスク関連生成品質を維持しつつ,高速なEEG-to-fNIRS合成を可能にすることが示された。 私たちのコードはhttps://github.com/psychosiwa/Bio-MF.comで公開されています。

関連論文リスト

• B[FM]$^2$: Brain Foundation Model via Flow Matching with SplitUNet [33.19680160939894]
  マルチチャネル脳波信号は、フローマッチングにアーキテクチャ上の課題をもたらす。 SplitUNetは各ブロックを1次元の時間的および1次元の電極畳み込みとダウンサンプルに分解する。 B[FM]$2$は、9つの標準下流脳波分類タスクのうち7つに新しい状態を設定する。
  論文  参考訳（メタデータ） (2026-06-18T18:01:26Z)
• CaMBRAIN: Real-time, Continuous EEG Inference with Causal State Space Models [37.86790434630698]
  本稿では,脳波信号のリアルタイム推測が可能な最初のコーサル,マンバをベースとした状態空間モデルであるCaMBRAINを提案する。 CaMBRAINは、既存のモデルよりも10倍高いスループットを持つ3つの異なるEEGデータセットにわたる、最先端(SOTA)結果を達成する。
  論文  参考訳（メタデータ） (2026-05-27T17:50:36Z)
• Foundation Model Guided Dual-Branch Co-Adaptation for Source-Free EEG Decoding [41.18490005117712]
  Source-free Domain adapt (SFDA)は、ソースデータにアクセスすることなく、未ラベルのターゲットドメインにソース予測モデルを適用することで、EEGデコーディングをクロスサブジェクトする実用的なソリューションを提供する。 本稿ではFUSEDを提案する。FUSEDは、大規模なFMとコンパクトなスペシャリストモデルを統合した、ファウンデーションによるオープンソースのEEGデコーディングフレームワークである。
  論文  参考訳（メタデータ） (2026-04-21T06:01:29Z)
• LuMamba: Latent Unified Mamba for Electrode Topology-Invariant and Efficient EEG Modeling [14.663411219312827]
  textbfLuMamba(textbfLatent textbfUnified textbfMamba)を提案する。 わずか4.6Mのパラメータで、ルマンバはTUABで80.99%の精度を達成し、アルツハイマーの検出で最先端の性能を達成する。
  論文  参考訳（メタデータ） (2026-03-19T16:26:11Z)
• EEG-DCNet: A Fast and Accurate MI-EEG Dilated CNN Classification Method [10.791605945979995]
  EEG-Dilated Convolution Network (DCNet) と呼ばれる新しいマルチスケールアラス畳み込みニューラルネットワーク(CNN)モデルを提案する。 我々は1時間1ドルの畳み込み層を組み込み、EEG-DCNetのマルチブランチ並列アラス畳み込みアーキテクチャを利用する。 本稿では,EEG-DCNetが既存のSOTA(State-of-the-art)アプローチよりも,分類精度とKappaスコアの点で優れていることを示す。
  論文  参考訳（メタデータ） (2024-11-12T09:47:50Z)
• Hybrid Spiking Neural Networks for Low-Power Intra-Cortical Brain-Machine Interfaces [42.72938925647165]
  皮質内脳-機械界面(iBMI)は麻痺患者の生活を劇的に改善する可能性がある。 現在のiBMIは、ハードウェアと配線が大きすぎるため、スケーラビリティとモビリティの制限に悩まされている。 無線iBMIにおける組込みニューラルデコーディングのためのハイブリッドスパイキングニューラルネットワークについて検討している。
  論文  参考訳（メタデータ） (2024-09-06T17:48:44Z)
• SCDM: Unified Representation Learning for EEG-to-fNIRS Cross-Modal Generation in MI-BCIs [6.682531937245544]
  ハイブリッドモーター脳-コンピュータインタフェース(MI-BCI)は、脳波(EEG)と機能近赤外分光(fNIRS)の両方を統合している。 脳波とfNIRS信号を同時に記録することは、両方のセンサーを同一の頭皮上に置くのが難しいため、非常に難しい。 本研究では,脳波からfNIRSへのクロスモーダル生成のためのフレームワークとして,空間時間制御拡散画像モデル(SCDM)を提案する。
  論文  参考訳（メタデータ） (2024-07-01T13:37:23Z)
• 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)
• A Hybrid Brain-Computer Interface Using Motor Imagery and SSVEP Based on Convolutional Neural Network [0.9176056742068814]
  本稿では,2ストリーム畳み込みニューラルネットワーク(TSCNN)を用いたハイブリッド脳-コンピュータインタフェースを提案する。 定常視覚誘発電位(SSVEP)と運動画像(MI)のパラダイムを組み合わせる。 TSCNNはトレーニングプロセスの2つのパラダイムにおいて、自動的に脳波の特徴を抽出する。
  論文  参考訳（メタデータ） (2022-12-10T12:34:36Z)
• 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)

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。