論文の概要: Learning Dynamic Neural Evidence Representations for Time-Adaptive Brain-Computer Interfaces

• arxiv url: http://arxiv.org/abs/2609.22088v1
• Date: Mon, 13 Jul 2026 07:10:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 05:09:55.691294
• Title: Learning Dynamic Neural Evidence Representations for Time-Adaptive Brain-Computer Interfaces
• Title（参考訳）: 時間適応型脳-コンピュータインタフェースのための動的ニューラルネットワークエビデンス表現の学習
• Abstract要約: ProtoTriggerは、ATDMのための2段階の学習ベースのEEGステートエンコーダである。 ProtoTriggerはプロトタイプマッチングを使用して、安定した局所脳波埋め込みとプロトタイプベースの注意を抽出し、意思決定に関連する時間的証拠を集約する。 ProtoTriggerは、効率的なATDMベースのBCIシステムのための一般的なEEGステートエンコーディングフレームワークを提供する。
• 参考スコア（独自算出の注目度）: 21.925816774364197
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Brain-computer interfaces (BCIs) decode neural activity into commands, yet most existing systems rely on fixed-window decoding that may result in redundant observation or unreliable predictions due to insufficient evidence. Adaptive temporal decision-making (ATDM) addresses this accuracy-time trade-off by progressively accumulating EEG evidence and deciding when to stop. However, existing EEG encoders are mainly designed for fixed-window decoding and may not provide reliable state representations under variable observation lengths. In addition, current ATDM-oriented encoders are typically tailored to specific EEG paradigms, limiting their applicability across different BCI tasks. To address these limitations, we propose ProtoTrigger, a two-stage prototype learning-based EEG state encoder for ATDM. ProtoTrigger uses prototype matching to extract stable local EEG embeddings and prototype-based attention to aggregate decision-relevant temporal evidence during progressive observation. Offline evaluations across three EEG paradigms demonstrated state-of-the-art accuracy-time trade-offs and strong generalizability across different EEG paradigms. An online human-in-the-loop augmented reality-based BCI experiment further demonstrated its real-time feasibility. These results suggest that ProtoTrigger provides a general EEG state encoding framework for efficient ATDM-based BCI systems.
• Abstract（参考訳）: 脳-コンピュータインタフェース(BCI)は、神経活動をコマンドにデコードするが、既存のほとんどのシステムは、冗長な観察や不十分な証拠による信頼できない予測をもたらす固定ウィンドウデコードに依存している。 適応的時間的意思決定(ATDM)は、EEGの証拠を段階的に蓄積し、いつ停止するかを決定することによって、この正確時間トレードオフに対処する。 しかし、既存のEEGエンコーダは、主に固定ウィンドウデコード用に設計されており、可変観測長下では信頼性の高い状態表現を提供しない可能性がある。 さらに、現在のATDM指向エンコーダは、通常、特定のEEGパラダイムに合わせて調整され、異なるBCIタスクに適用性を制限する。 これらの制約に対処するため、ATDMのための2段階の学習ベースEEG状態エンコーダであるProtoTriggerを提案する。 ProtoTriggerはプロトタイプマッチングを使用して、安定した局所脳波埋め込みとプロトタイプベースの注意を抽出し、進行観察中の決定関連時間的証拠を集約する。 3つのEEGパラダイムのオフライン評価は、最先端の精度-時間トレードオフと異なるEEGパラダイム間の強い一般化性を示した。 オンラインのHuman-in-the-loop ARベースのBCI実験は、そのリアルタイム実現可能性をさらに実証した。 これらの結果は、ProtoTriggerが効率的なATDMベースのBCIシステムのための一般的なEEG状態符号化フレームワークを提供していることを示唆している。

関連論文リスト

• Towards Robust EEG Decoding Based on Riemannian Self-Attention [49.95065559566893]
  脳波(EEG)に基づく脳-コンピュータインタフェース(BCI)は、補助技術、リハビリテーション、エンターテイメントに重要な応用がある。 近年,Symmetric Positive Definite (SPD) 学習に基づく脳波復号法は優れた性能を示した。 これらの手法は通常、基本的なネットワークアーキテクチャを使用し、EEG信号間の局所的な関係を明示的に捉えない。 この制限は、信号対雑音比(SNR)が本質的に低いため、脳波信号に問題となる。
  論文  参考訳（メタデータ） (2026-06-24T06:31:20Z)
• Transformer Based Model for Spatiotemporal Feature Learning in EEG Emotion Recognition [0.0]
  EEG-TransNetは、EEG信号の時間的、地域的、同期的な特徴を捉えるように設計されたアーキテクチャである。 信号長の異なる分類精度とロバスト性という点で、他の手法よりも一貫して優れている。 脳波をベースとした脳活動分類と感情認識タスクのための堅牢なツールとしての可能性を強調している。
  論文  参考訳（メタデータ） (2026-06-09T11:25:43Z)
• Towards a Virtual Neuroscientist: Autonomous Neuroimaging Analysis via Multi-Agent Collaboration [53.772014300855375]
  我々は,自律型エンドツーエンド神経画像解析のためのマルチエージェントシステムであるNIAgentを紹介する。 従来のフラットなツール呼び出しエージェントとは異なり、NIAgentはコード中心の実行パラダイムを採用している。 本稿では,コホートレベルの検定とエージェント視覚検査を組み合わせた,自律的品質管理のための階層的検証フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-05-10T06:30:19Z)
• EEG-MFTNet: An Enhanced EEGNet Architecture with Multi-Scale Temporal Convolutions and Transformer Fusion for Cross-Session Motor Imagery Decoding [2.0912407740405903]
  脳波(EEG)からの運動画像(MI)復号は、ノイズと断続的変動のため、依然として困難である。 本稿では,EEGNetアーキテクチャに基づく新しいディープラーニングモデルであるEEG-MFTNetを紹介する。 EEG-MFTNetは計算複雑性と推論遅延を低く保ちながら、平均分類精度58.9%を達成する。
  論文  参考訳（メタデータ） (2026-04-07T13:10:34Z)
• DBConformer: Dual-Branch Convolutional Transformer for EEG Decoding [16.593828981170038]
  CNNは依然として脳波デコーディングの主流のバックボーンであるが、その本質的に短い受容領域は、長距離の時間的依存関係とグローバルなチャネル間関係を捉えるのを困難にしている。 近年のCNN-Transformer(Conformer)ハイブリッドはこの問題に部分的に対処しているが、ほとんどはシリアル設計を採用しており、ローカルとグローバルの機能を最適化する。 脳波復号に適した2分岐畳み込み変換器ネットワークDBConformerを提案する。
  論文  参考訳（メタデータ） (2025-06-26T10:53:24Z)
• Zero-Shot EEG-to-Gait Decoding via Phase-Aware Representation Learning [9.49131859415923]
  ドメイン一般化型脳波-モーションデコーディングフレームワークであるNeuroDyGaitを提案する。 構造化されたコントラスト表現学習とリレーショナルドメインモデリングを使用して、脳波とモーション埋め込みのセマンティックアライメントを実現する。 ベンチマークデータセットのクロスオブジェクト歩行復号における適応や優れた性能を必要とせずに、見えない個人に対するゼロショットモーション予測を実現する。
  論文  参考訳（メタデータ） (2025-06-24T06:03:49Z)
• 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)
• CognitionCapturer: Decoding Visual Stimuli From Human EEG Signal With Multimodal Information [61.1904164368732]
  脳波信号の表現にマルチモーダルデータを完全に活用する統合フレームワークであるCognitionCapturerを提案する。 具体的には、CognitionCapturerは、各モダリティに対してモダリティエキスパートを訓練し、EEGモダリティからモダリティ情報を抽出する。 このフレームワークは生成モデルの微調整を一切必要とせず、より多くのモダリティを組み込むように拡張することができる。
  論文  参考訳（メタデータ） (2024-12-13T16:27:54Z)
• 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。