論文の概要: ST-Topo GAN: A Motor EEG-to-EMG Decoding Model Matched to Wrist Movement Complexity
- arxiv url: http://arxiv.org/abs/2609.22128v1
- Date: Sun, 23 Aug 2026 04:03:12 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-28 05:09:55.723986
- Title: ST-Topo GAN: A Motor EEG-to-EMG Decoding Model Matched to Wrist Movement Complexity
- Title（参考訳）: ST-Topo GAN:運動脳波-EMGデコードモデル
- Abstract要約: 手首は、正確な手の位置決め、力の調節、物体の操作を可能にすることで、上肢機能において重要な役割を果たす。
既存の脳波-EMGモデルは主に比較的安定した筋シナジーのタスクのために開発された。
本稿では,手首運動の脳波とEMGの連続復号のためのST-Topo GANを提案する。
- 参考スコア（独自算出の注目度）: 6.482887915350396
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: The wrist plays a critical role in upper-limb function by enabling precise hand positioning, force regulation, and object manipulation. Continuous brain--muscle interfaces (BMIs) offer a promising approach for motor restoration by decoding neural activity into muscle activation signals. However, existing EEG-to-EMG models have mainly been developed for tasks with relatively stable muscle synergies and may be less effective for the heterogeneous and weakly coupled neuromuscular organisation involved in wrist movements. This paper proposes ST-Topo GAN, a Spatial--Temporal Topological Generative Adversarial Network for continuous EEG-to-EMG decoding of wrist movements. The framework integrates multi-band EEG representation, sensorimotor cortical topology modelling, and conditional adversarial learning to reconstruct multi-channel iEMG activation. The model was evaluated through cross-task comparison, wrist EEG-to-iEMG decoding, and ablation experiments. Compared with the WAY-EEG-GAL grasp-and-lift dataset, the wrist dataset exhibited lower inter-muscle activation similarity and greater decoding difficulty for conventional models. ST-Topo GAN achieved an average PCC of 0.4436 on the wrist dataset, outperforming all evaluated baselines, while the ablation study confirmed the contribution of its key components. These results support the effectiveness of ST-Topo GAN for continuous wrist EEG-to-iEMG decoding.
- Abstract（参考訳）: 手首は、正確な手の位置決め、力の調節、物体の操作を可能にすることで、上肢機能において重要な役割を果たす。
連続脳-筋インターフェース(BMI)は、神経活動から筋肉の活性化信号に分解することで運動回復に有望なアプローチを提供する。
しかし、既存の脳波-EMGモデルは主に比較的安定した筋シナジーのタスクのために開発されており、手首の動きに関わる異質で弱い結合した神経筋組織に対して効果が低い可能性がある。
本稿では,手首運動の連続脳波-EMGデコードのための時空間トポロジカル・ジェネレータ・ネットワークST-Topo GANを提案する。
このフレームワークは、マルチバンド脳波表現、感覚運動皮質トポロジーモデリング、条件付き対角学習を統合して、マルチチャネルiEMG活性化を再構築する。
モデルは,クロスタスク比較,手首脳波-iEMGデコーディング,アブレーション実験により評価した。
WAY-EEG-GALのグリップ・アンド・リフトデータセットと比較すると,手首データセットは筋間アクティベーションの類似度が低く,従来のモデルでは復号が困難であった。
ST-Topo GANは、手首データセットの平均PCCは0.4436で、評価されたベースラインを全て上回った。
これらの結果は,ST-Topo GANの連続手首脳波対iEMG復号法の有効性を裏付けるものである。
関連論文リスト
- PG-LRF: Physiology-Guided Latent Rectified Flow for Electro-Hemodynamic PPG-to-ECG Generation [51.79176059799321]
フォトプレチスモグラフィーはウェアラブルではユビキタスであるが、ECG特有の診断形態は欠如している。
既存の手法は統計アライメントとデータ駆動生成に依存している。
生理的誘導型潜在フローフレームワークであるPG-LRFを提案する。
論文 参考訳（メタデータ） (2026-05-09T07:39:58Z) - Reconstruction of Surface EMG Signal using IMU data for Upper Limb Actions [0.7359962178534359]
深層学習を用いた6軸IMUデータからの正規化sEMG信号の合成について検討する。
拡張因果畳み込みに基づくスライディング・ウィンドウ・ウェーブ・ネットモデルを用いて,IMUデータをsEMG信号にマッピングする訓練を行った。
以上の結果から,筋活動のタイミングと全般的な形状をモデルが予測できることが示唆された。
論文 参考訳（メタデータ） (2025-11-21T12:26:33Z) - 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) - Exploring the Relationships Between Physiological Signals During Automated Fatigue Detection [3.7033123545674758]
生理的信号を用いた疲労検出は、輸送、医療、パフォーマンス監視といった領域において重要である。
本研究は,信号対間の統計的関係を調べ,分類ロバスト性を改善する。
EMG EEGの組み合わせによるXGBoostは最高のパフォーマンスを達成した。
論文 参考訳（メタデータ） (2025-09-26T02:49:44Z) - Graph-Based Spatio-temporal Attention and Multi-Scale Fusion for Clinically Interpretable, High-Fidelity Fetal ECG Extraction [3.5236401979395833]
先天性心疾患 (CHD) が最も一般的な新生児の異常であり、早期発見が早期発見の必要性を浮き彫りにしている。
しかし,腹壁心電図(aECG)の胎児心電図(fECG)信号は母体心電図やノイズによって隠蔽されることが多く,低信号-雑音比(SNR)条件下での従来の手法に挑戦する。
本稿では,グラフニューラルネットワークとマルチスケール拡張トランスフォーマを統合し,動的にリード間相関をモデル化し,クリーンなfECG信号を抽出する深層学習フレームワークを提案する。
論文 参考訳（メタデータ） (2025-09-05T19:44:21Z) - BRAVE: Brain-Controlled Prosthetic Arm with Voice Integration and Embodied Learning for Enhanced Mobility [5.528262076322921]
BRAVEは、ハイブリッド脳波と音声制御義肢システムである。
脳波駆動運動の意図を解釈することを目的としており、残筋活動に依存することなく運動制御を可能にする。
システムはリアルタイムで動作し、応答遅延は150msである。
論文 参考訳（メタデータ） (2025-05-23T11:44:33Z) - 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) - MS-MANO: Enabling Hand Pose Tracking with Biomechanical Constraints [50.61346764110482]
筋骨格系と学習可能なパラメトリックハンドモデルMANOを統合し,MS-MANOを作成する。
このモデルは骨格系を駆動する筋肉と腱の力学をエミュレートし、結果として生じるトルク軌跡に生理学的に現実的な制約を与える。
また,マルチ層パーセプトロンネットワークによる初期推定ポーズを改良する,ループ式ポーズ改善フレームワークBioPRを提案する。
論文 参考訳（メタデータ） (2024-04-16T02:18:18Z) - Continuous Decoding of Daily-Life Hand Movements from Forearm Muscle
Activity for Enhanced Myoelectric Control of Hand Prostheses [78.120734120667]
本研究では,前腕のEMG活性をハンドキネマティクスに連続的にマップする,長期記憶(LSTM)ネットワークに基づく新しい手法を提案する。
私たちの研究は、この困難なデータセットを使用するハンドキネマティクスの予測に関する最初の報告です。
提案手法は, 人工手指の複数のDOFの独立的, 比例的アクティベーションのための制御信号の生成に適していることが示唆された。
論文 参考訳（メタデータ） (2021-04-29T00:11:32Z)
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。