論文の概要: Decoding Imagined Speech: A Strictly Subject-Independent Approach Using EEG

• arxiv url: http://arxiv.org/abs/2609.29820v1
• Date: Thu, 24 Sep 2026 13:54:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-25 21:10:09.967841
• Title: Decoding Imagined Speech: A Strictly Subject-Independent Approach Using EEG
• Title（参考訳）: 想像音声の復号化:脳波を用いた厳密な主観的非依存的アプローチ
• Abstract要約: 本研究は,マルチクラス音声脳波データセットの透過的ベースライン調査である。 スペクトルパイプラインは統計パイプラインよりも平均的精度が有意に高かった。 この研究は、脳波に基づく想像的音声復号法におけるクロスオブジェクト一般化の改善を目的とした、未来の脳-コンピュータインタフェース研究の強力な基盤を提供する。
• 参考スコア（独自算出の注目度）: 3.8768839735240737
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Imagined speech decoding from electroencephalography (EEG) has gained increasing attention as a potential communication pathway for individuals with severe motor impairments, yet reported performance often relies on evaluation protocols that do not clearly reflect cross-subject generalization. This study presents a transparent baseline investigation of a multi-class imagined speech EEG dataset under a strictly subject-independent evaluation framework. Two preprocessing and feature extraction pipelines were compared: a time-domain statistical feature approach and a frequency-domain spectral bandpower approach, evaluated using subject-wise cross-validation and trial-level majority voting with a random forest classifier. The spectral pipeline achieved a significantly higher mean trial-wise accuracy than the statistical pipeline (49.03 $\pm$ 4.18% vs. 37.97 $\pm$ 3.79%) for coarse-level classification across subjects. Forward feature selection further indicated that a limited subset of frequency bands captured most of the discriminative information. Overall, this work provides a strong basis for future brain-computer interface studies targeting improved cross-subject generalization in EEG-based imagined speech decoding.
• Abstract（参考訳）: 心電図(EEG)からの音声復号は、重度運動障害を持つ個人に対する潜在的なコミュニケーション経路として注目されているが、しばしば報告された性能は、クロスオブジェクトの一般化をはっきりと反映しない評価プロトコルに依存している。 本研究は、厳密な主観非依存評価枠組みの下で、多種多様な音声脳波データセットの透過的ベースライン調査を行う。 時間領域統計特徴量アプローチと周波数領域スペクトル帯域パワーアプローチの2つの前処理と特徴抽出パイプラインを比較した。 スペクトルパイプラインは統計パイプライン(49.03$\pm$4.18%対37.97$\pm$3.79%)よりも、被験者間の粗いレベルの分類において、かなり高い試行精度を達成した。 前向きの特徴選択は、周波数帯域の限られたサブセットが識別情報のほとんどをキャプチャしたことを示している。 全体として、この研究は、脳波に基づく想像的音声復号法におけるクロスオブジェクト一般化の改善を目的とした、未来の脳-コンピュータインタフェース研究の強力な基盤を提供する。

関連論文リスト

• Co-Evolutionary Prompt Optimization with Cross-Category Transfer for Zero-Shot Anomaly Detection [11.460517515415043]
  CoEvoADは、離散的なプロンプト選択のための共進化的なフレームワークである。 複数の異常検出データセットにまたがって最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2026-08-29T23:28:05Z)
• Toward Generalizable Cognitive Impairment Detection with Speech-Based Multimodal Large Language Models [6.567438338350837]
  音声信号は認知低下に関連する言語マーカーと音響マーカーの両方を符号化する。 大規模言語モデル(LLM)の最近の進歩は,音声に基づく評価の可能性を高めている。 本稿では,音声音声と対応する書き起こしを統合したオープンソースのLLMに基づくマルチモーダルCI検出フレームワークを提案する。 本研究は、CI識別のための新しい最先端技術を確立し、提案手法により、より優れたクロスデータセットの一般化を実証する。
  論文  参考訳（メタデータ） (2026-07-23T16:43:12Z)
• RAG-based EEG-to-Text Translation Using Deep Learning and LLMs [3.960347374522111]
  本稿では,検索強化生成(RAG)に基づく文レベルEEG-to-textデコーディングパイプラインを提案する。 Zurich Cognitive Language Processing Corpusデータセットで実験が行われる。
  論文  参考訳（メタデータ） (2026-05-17T15:31:30Z)
• Something from Nothing: Data Augmentation for Robust Severity Level Estimation of Dysarthric Speech [69.86604856129883]
  外科的音声品質評価(DSQA)は臨床診断と包括的音声技術において重要である。 本研究では,未ラベルの変形音声と大規模典型的な音声データセットを併用した3段階のフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-03-16T23:00:07Z)
• The Efficacy of Semantics-Preserving Transformations in Self-Supervised Learning for Medical Ultrasound [60.80780313225093]
  本研究は, 肺超音波の自己教師あり学習におけるデータ拡張と前処理方略の影響を系統的に検討した。 画像領域に共通して使用されるベースラインパイプライン、超音波用に設計された新しいセマンティック保存パイプライン、両方のパイプラインから最も効果的な変換の蒸留セットの3つのデータ拡張パイプラインが評価された。
  論文  参考訳（メタデータ） (2025-04-10T16:26:47Z)
• $C^2$AV-TSE: Context and Confidence-aware Audio Visual Target Speaker Extraction [80.57232374640911]
  我々はMask-And-Recover (MAR)と呼ばれるモデルに依存しない戦略を提案する。 MARは、モダリティ間およびモダリティ間コンテキスト相関を統合し、抽出モジュール内の大域的推論を可能にする。 各サンプルの難易度を向上するために, 精細信頼スコア(FCS)モデルを導入する。
  論文  参考訳（メタデータ） (2025-04-01T13:01:30Z)
• Exploring Pathological Speech Quality Assessment with ASR-Powered Wav2Vec2 in Data-Scarce Context [7.567181073057191]
  本稿では,データ不足にもかかわらずセグメントではなく,音声レベルで学習する手法を提案する。 その結果, ASR に基づく Wav2Vec2 モデルが最高の結果をもたらし, ASR と音声品質評価との間に強い相関関係があることが示唆された。
  論文  参考訳（メタデータ） (2024-03-29T13:59:34Z)
• Visualizing Classifier Adjacency Relations: A Case Study in Speaker Verification and Voice Anti-Spoofing [72.4445825335561]
  任意のバイナリ分類器によって生成される検出スコアから2次元表現を導出する簡単な方法を提案する。 ランク相関に基づいて,任意のスコアを用いた分類器の視覚的比較を容易にする。 提案手法は完全に汎用的であり,任意の検出タスクに適用可能だが,自動話者検証と音声アンチスプーフィングシステムによるスコアを用いた手法を実証する。
  論文  参考訳（メタデータ） (2021-06-11T13:03:33Z)
• Discriminative Singular Spectrum Classifier with Applications on Bioacoustic Signal Recognition [67.4171845020675]
  分析や分類に有用な特徴を効率的に抽出する識別機構を備えた生体音響信号分類器を提案する。 タスク指向の現在のバイオ音響認識法とは異なり、提案モデルは入力信号をベクトル部分空間に変換することに依存する。 提案法の有効性は,アヌラン,ミツバチ,蚊の3種の生物音響データを用いて検証した。
  論文  参考訳（メタデータ） (2021-03-18T11:01:21Z)
• Decoding Imagined Speech using Wavelet Features and Deep Neural Networks [2.4063592468412267]
  本稿では, 深層ニューラルネットワークを用いた予測音声の分類手法を提案する。 提案手法では、脳の特定の領域にのみEEGチャネルを用いて分類し、それぞれのチャネルから特徴ベクトルを導出する。 提案したアーキテクチャとデータ処理のアプローチにより,57.15%の平均分類精度が向上し,最先端の結果よりも約35%向上した。
  論文  参考訳（メタデータ） (2020-03-19T00:36:19Z)

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。