論文の概要: SPDAlign: Interpretable Riemannian Alignment for EEG Forward Modeling Shifts

• arxiv url: http://arxiv.org/abs/2610.06315v1
• Date: Mon, 05 Oct 2026 13:32:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-09 09:19:45.800189
• Title: SPDAlign: Interpretable Riemannian Alignment for EEG Forward Modeling Shifts
• Title（参考訳）: SPDAlign:EEGフォワードモデリングシフトのための解釈可能なリーマンアライメント
• Abstract要約: 本研究は,頭部形状などの因子に関連付けられた領域固有フォワードプロセスによって導入された分布変化について検討する。 ドメイン不変な脳波学習を促進するための解釈可能なフレームワークであるSPDAlignを提案する。
• 参考スコア（独自算出の注目度）: 34.28824334900863
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Electroencephalography (EEG) based brain-computer interfaces enable direct brain-to-device communication for applications such as rehabilitation and communication. However, their practical utility is often limited as the non-stationary nature of the EEG data introduces distribution shifts across domains (e.g., sessions and subjects). Adapting machine learning models to be invariant to these shifts in an unsupervised way, without using costly labeled calibration data, would drastically improve the utility of EEG data. In this work, we use a classic generative model of EEG to study distribution shifts introduced by the domain-specific forward process, which is associated with factors such as head geometry. We theoretically show that such distribution shifts can be recovered solely through linear transformations on the Symmetric Positive Definite manifold. Building on this insight, we propose SPDAlign, an interpretable framework for promoting domain-invariant EEG learning. SPDAlign first aligns the domain-specific means and corrects global rotations across domains using a recent optimal transport technique called Wasserstein Procrustes. We systematically study the proposed approach through simulations and demonstrate its competitive performance on extensive public EEG datasets. Additionally, SPDAlign is a globally linear framework and is intrinsically interpretable, so that the framework can identify frequency ranges of interest, determine the spatial patterns reflecting source-sensor relationships, and address cross-subject variability.
• Abstract（参考訳）: 電気脳波(EEG)ベースの脳-コンピュータインタフェースは、リハビリテーションやコミュニケーションなどの応用のための直接脳-デバイス間通信を可能にする。 しかし、脳波データの非定常的性質がドメイン間(セッションや主題など)に分散シフトをもたらすため、その実用性はしばしば制限される。 高価なラベル付きキャリブレーションデータを用いることなく、教師なしの方法でこれらのシフトに機械学習モデルを適用することは、EEGデータの有用性を大幅に改善する。 本研究では,脳波の古典的生成モデルを用いて,頭部幾何などの要因に関連する領域固有フォワードプロセスによって導入された分布変化を研究する。 理論的には、そのような分布シフトは対称正定値多様体上の線型変換によってのみ回復可能であることを示す。 この知見に基づいて,ドメイン不変脳波学習を促進するための解釈可能なフレームワークであるSPDAlignを提案する。 SPDAlignはまずドメイン固有の手段を整列し、Wasserstein Procrustesと呼ばれる最近の最適輸送技術を用いて、ドメイン間のグローバルローテーションを修正する。 提案手法をシミュレーションにより体系的に研究し,その競合性能をパブリックなEEGデータセット上で実証する。 さらに、SPDAlignはグローバルな線形フレームワークであり、本質的に解釈可能であるので、フレームワークは興味の周波数範囲を特定し、ソース・センサ関係を反映する空間パターンを決定し、オブジェクト間の変動に対処することができる。

関連論文リスト

• SPDIM: Source-Free Unsupervised Conditional and Label Shift Adaptation in EEG [6.002670452103349]
  非定常脳波(EEG)は、領域間での分布変化(例えば、日と被験者)をもたらす 対象ドメインに対するラベル付きキャリブレーションデータがない場合、問題はソースフリーな教師なしドメイン適応(SFUDA)問題である。 本稿では,ラベルシフトを含む特定の分布シフトの下でのSFUDA問題に対する幾何学的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） (2024-10-26T21:27:53Z)
• Geodesic Optimization for Predictive Shift Adaptation on EEG data [53.58711912565724]
  ドメイン適応メソッドは、$X$と$y$で分散シフトが同時に発生したときに苦労する。 本稿では,GOPSA(Geodesic Optimization for Predictive Shift Adaptation)と呼ばれる新しい手法を提案する。 GOPSAは、脳波のバイオメディカル応用のための混合効果モデリングと機械学習を併用する可能性を持っている。
  論文  参考訳（メタデータ） (2024-07-04T12:15:42Z)
• Physics-informed and Unsupervised Riemannian Domain Adaptation for Machine Learning on Heterogeneous EEG Datasets [53.367212596352324]
  脳波信号物理を利用した教師なし手法を提案する。 脳波チャンネルをフィールド、ソースフリーなドメイン適応を用いて固定位置にマッピングする。 提案手法は脳-コンピュータインタフェース(BCI)タスクおよび潜在的なバイオマーカー応用におけるロバストな性能を示す。
  論文  参考訳（メタデータ） (2024-03-07T16:17:33Z)
• Weakly supervised covariance matrices alignment through Stiefel matrices estimation for MEG applications [64.20396555814513]
  本稿では,Mixing Model Stiefel Adaptation (MSA)と呼ばれる時系列データに対する新しいドメイン適応手法を提案する。 我々は、ドメイン間の等価な信号分散とペアの対応を確立することにより、ターゲット領域における豊富なラベルのないデータを利用して効果的な予測を行う。 MSAは、Cam-CANデータセットのMEG信号を用いて、タスクの変動を伴う脳年齢回帰の最近の手法より優れている。
  論文  参考訳（メタデータ） (2024-01-24T19:04:49Z)
• Relation Matters: Foreground-aware Graph-based Relational Reasoning for Domain Adaptive Object Detection [81.07378219410182]
  我々は、FGRR(Fearground-aware Graph-based Reasoning)というドメインDのための新しい汎用フレームワークを提案する。 FGRRはグラフ構造を検出パイプラインに組み込んで、ドメイン内およびドメイン間フォアグラウンドオブジェクト関係を明示的にモデル化する。 実験の結果、提案したFGRRは4つのDomainDベンチマークの最先端よりも優れていることが示された。
  論文  参考訳（メタデータ） (2022-06-06T05:12:48Z)
• SPD domain-specific batch normalization to crack interpretable unsupervised domain adaptation in EEG [25.642435946325925]
  現在のEEG技術は、高価な教師付き再校正なしでは、ドメイン間でうまく一般化しない。 SPDドメイン固有の運動量バッチ正規化(SPDDSMBN)を示す幾何学的深層学習のための新しいビルディングブロックを提案する。 SPDDSMBNレイヤはドメイン固有のSPD入力をドメイン不変のSPD出力に変換することができ、マルチソース/ターゲットおよびオンラインUDAシナリオに容易に適用できる。
  論文  参考訳（メタデータ） (2022-06-02T22:31:36Z)
• Deep Optimal Transport for Domain Adaptation on SPD Manifolds [9.552869120136005]
  最適輸送理論とSPD多様体の幾何学を組み合わせた新しい幾何学的深層学習フレームワークを提案する。 提案手法は, 多様体構造を尊重しながらデータ分布を整列させ, 限界差と条件差を効果的に低減する。 提案手法は,KU,BNCI2014001,BNCI2015001の3つのクロスセッション脳コンピュータインタフェースデータセットに対して検証を行った。
  論文  参考訳（メタデータ） (2022-01-15T03:13:02Z)
• Towards Principled Disentanglement for Domain Generalization [90.9891372499545]
  機械学習モデルの根本的な課題は、アウト・オブ・ディストリビューション(OOD)データへの一般化である。 私たちはまず、DEC(Disentanglement-Constrained Domain Generalization)と呼ばれる制約付き最適化としてOOD一般化問題を定式化する。 この変換に基づいて、結合表現の不絡合と領域一般化のための原始双対アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-11-27T07:36:32Z)

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。