論文の概要: T-SNN: Temporal Simplicial Neural Network for EEG Decoding

• arxiv url: http://arxiv.org/abs/2609.34002v1
• Date: Sun, 27 Sep 2026 23:02:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-04 07:52:49.077156
• Title: T-SNN: Temporal Simplicial Neural Network for EEG Decoding
• Title（参考訳）: T-SNN:脳波復号のための時間的単純ニューラルネットワーク
• Abstract要約: 本稿では,脳波記録を進化するsimplicial complexのシーケンスとして表現するT-SNNを紹介する。 7種類のSEED-VII感情認識タスクでは、T-SNNは、畳み込み、繰り返し、グラフベース、トランスフォーマーの手法よりも、試行錯誤およびクロスオブジェクト評価において優れている。
• 参考スコア（独自算出の注目度）: 2.7839328193593347
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Decoding brain states requires models that capture both the evolution of neural activity and interactions among groups of brain regions. Existing EEG methods often treat recordings as multivariate time series or represent functional connectivity with pairwise graphs, leaving dynamic higher-order interactions largely unmodeled. We introduce the Temporal Simplicial Neural Network (T-SNN), which represents EEG recordings as sequences of evolving simplicial complexes. By combining simplicial convolutions with recurrent updates, T-SNN jointly learns higher-order interactions and their temporal evolution. On the seven-class SEED-VII emotion recognition task, T-SNN outperforms convolutional, recurrent, graph-based, and Transformer methods in both trial-wise and cross-subject evaluations. Incorporating eye-movement features further improves performance, demonstrating the framework's potential for multimodal brain-state decoding.
• Abstract（参考訳）: 脳の状態を復号するには、神経活動の進化と脳領域のグループ間の相互作用の両方を捉えるモデルが必要である。 既存のEEG法は、記録を多変量時系列として扱うことや、ペアワイズグラフとの関数接続を表現することがあり、動的高次相互作用は概ねモデル化されていない。 本稿では,脳波記録を進化するsimplicial complexのシーケンスとして表現するT-SNNを紹介する。 単純な畳み込みと繰り返し更新を組み合わせることで、T-SNNは高次相互作用とその時間的進化を共同で学習する。 7種類のSEED-VII感情認識タスクでは、T-SNNは、畳み込み、繰り返し、グラフベース、トランスフォーマーの手法よりも、試行錯誤およびクロスオブジェクト評価において優れている。 眼球運動機能を組み込むことでパフォーマンスがさらに向上し、マルチモーダルな脳状態復号のためのフレームワークの可能性を示す。

関連論文リスト

• Topological Neural Dynamics: A Neuron-wise Framework for Sequence Modeling [55.07411490538404]
  トポロジカル・ニューラル・ダイナミクス(TND)は、トポロジカル・ニューラル・ダイナミクス(英語版) (TND) が階層的からニューロン的へと変化するシーケンス・モデリング・フレームワークである。 TNDは神経系を、有向ニューロングラフ、相互作用演算子、局所力学関数として表す。 我々はTNDをシングルプレイヤーPongにおける行動クローニングタスクのケーススタディとして評価した。
  論文  参考訳（メタデータ） (2026-06-19T10:18:24Z)
• Brain-Inspired Multimodal Spiking Neural Network for Image-Text Retrieval [79.04396446873932]
  スパイキングニューラルネットワーク(SNN)は、最近、視覚的タスクとテキストタスクに強い可能性を示している。 画像テキスト検索(ITR)のようなマルチモーダルアプリケーションのための直接訓練され、低エネルギーで高性能なSNNを構築することは、依然として非常に困難である。 我々は脳にインスパイアされたクロスモーダルスパイク・フュージョン・ネットワーク(CMSF)を提案し、初めてITRに適用した。
  論文  参考訳（メタデータ） (2026-03-25T08:41:07Z)
• Kirchhoff-Inspired Neural Networks for Evolving High-Order Perception [51.28469959548178]
  我々はKirchhoff-Inspired Neural Network (KINN)を提案する。 KINNは、基本的な常微分方程式から数値的に安定な状態更新を導き、より高階の進化成分の明示的な分離と符号化を可能にする。
  論文  参考訳（メタデータ） (2026-03-25T06:17:31Z)
• Fractional Spike Differential Equations Neural Network with Efficient Adjoint Parameters Training [63.3991315762955]
  スパイキングニューラルネットワーク(SNN)は、生物学的ニューロンからインスピレーションを得て、脳に似た計算の現実的なモデルを作成する。 既存のほとんどのSNNは、マルコフ特性を持つ一階常微分方程式(ODE)によってモデル化された、神経細胞膜電圧ダイナミクスの単一時間定数を仮定している。 本研究では, 膜電圧およびスパイク列車の長期依存性を分数次力学により捉えるフラクタルSPIKE微分方程式ニューラルネットワーク (fspikeDE) を提案する。
  論文  参考訳（メタデータ） (2025-07-22T18:20:56Z)
• Graph-Based Representation Learning of Neuronal Dynamics and Behavior [2.3859858429583665]
  本稿では,時間変動ニューロン接続をモデル化する新しいフレームワークTAVRNNを紹介する。 TAVRNNは、解釈可能な集団レベルの表現を維持しながら、単一単位レベルで潜伏ダイナミクスを学習する。 TAVRNNは,(1)自由行動ラットの電気生理学的データ,(2)到達作業中の霊長類体性感覚皮質記録,(3)仮想ゲーム環境と相互作用するDishBrainプラットフォーム内の生物学的ニューロンの3つのデータセットで検証した。
  論文  参考訳（メタデータ） (2024-10-01T13:19:51Z)
• Contrastive-Signal-Dependent Plasticity: Self-Supervised Learning in Spiking Neural Circuits [61.94533459151743]
  この研究は、スパイキングネットワークのシナプスを調整するための神経生物学的に動機づけられたスキームを設計することの課題に対処する。 我々の実験シミュレーションは、繰り返しスパイクネットワークを訓練する際、他の生物学的に証明可能なアプローチに対して一貫した優位性を示す。
  論文  参考訳（メタデータ） (2023-03-30T02:40:28Z)
• Improving Neural Predictivity in the Visual Cortex with Gated Recurrent Connections [0.0]
  我々は,腹側視覚ストリームのユビキタスな特徴である横方向のリカレント接続を考慮したアーキテクチャに焦点を移し,適応的受容場を創出することを目指している。 本研究は,我々のアプローチの堅牢性と活性化の生物学的忠実性を高めるために,特定のデータ拡張技術を用いている。
  論文  参考訳（メタデータ） (2022-03-22T17:27:22Z)

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。