論文の概要: FOCUS: A Lightweight Mamba-2 Model for EEG-Based Cognitive Workload Classification
- arxiv url: http://arxiv.org/abs/2610.32361v1
- Date: Fri, 23 Oct 2026 08:54:09 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-27 01:38:06.439867
- Title: FOCUS: A Lightweight Mamba-2 Model for EEG-Based Cognitive Workload Classification
- Title（参考訳）: FOCUS:脳波に基づく認知的ワークロード分類のための軽量マンバ2モデル
- Abstract要約: 本稿では、制約データ条件下でのEEGに基づくバイナリワークロード分類のための、コンパクトなMamba-2ベースのモデルを提案する。
提案モデルでは,深度分離可能な畳み込みと重量共有型エンコーダ・ボトルネックMamba-2の組を0.04万パラメータと0.11GFLOPで組み合わせた。
被験者11名を対象に,認知的に異なる3つの課題にまたがって評価を行った。
- 参考スコア（独自算出の注目度）: 6.07610678547272
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Cognitive workload estimation from physiological signals is increasingly relevant in high-risk environments, where continuous and unobtrusive monitoring can inform adaptive systems and safety interventions. This paper presents FOCUS (Frequency-band Optimized Cognitive-load Ultralight SSM), a compact Mamba-2-based model for EEG-based binary workload classification under constrained data conditions. Rather than learning frequency sensitivity from data, FOCUS encodes preprocessed multi-channel EEG using a fixed FFT decomposition that covers the five canonical EEG bands. The proposed model combines depthwise-separable convolution and a weight-shared encoder-bottleneck Mamba-2 pair, with 0.04 million parameters and 0.11 GFLOPs. Evaluated in a pilot study with 11 participants under leave-one-subject-out cross-validation across three cognitively distinct tasks, FOCUS achieves 74.75% accuracy on the full dataset at 0.08 ms GPU model-forward latency. In the weight-sharing ablation, the shared configuration achieves 4.55 percentage points higher accuracy on the full dataset than the non-shared variant while reducing the SSM parameter budget; however, this difference does not reach statistical significance under a two-sided Wilcoxon signed-rank test ($p=0.083$). Overall, the selected FOCUS configuration provides a favorable trade-off between classification performance and computational cost within this controlled pilot setting.
- Abstract（参考訳）: 生理的信号からの認知的負荷推定は、継続的かつ控えめなモニタリングが適応システムや安全介入に影響を及ぼす高リスク環境において、ますます重要になっている。
本稿では、制約データ条件下でのEEGに基づくバイナリワークロード分類のためのコンパクトなMamba-2ベースのFOCUS(周波数帯域最適化認知負荷SSM)を提案する。
データから周波数感度を学習する代わりに、FOCUSは5つの標準脳波帯域をカバーする固定FFT分解を用いて、前処理されたマルチチャネル脳波を符号化する。
提案モデルでは,深度分離可能な畳み込みと重量共有型エンコーダ・ボトルネックMamba-2の組を0.04万パラメータと0.11GFLOPで組み合わせた。
認知的に異なる3つのタスクで11人の参加者によるパイロットスタディで評価され、FOCUSは0.08msのGPUモデルフォワードレイテンシでデータセット全体の74.75%の精度を達成した。
重み付けアブレーションでは、共有構成はSSMパラメータの予算を減らしながら、データセット全体の4.55パーセントの精度を達成するが、この差は両面のウィルコクソン符号ランクテスト(p=0.083$)では統計的に意味をなさない。
全体として、選択されたFOCUS構成は、制御されたパイロット設定における分類性能と計算コストの間の良好なトレードオフを提供する。
関連論文リスト
- ZeroMAG: Zero-Shot Multimodal Adapter Generation for Plug-and-Play EEG Foundation Models [45.0057349946008]
ゼロショットマルチモーダルアダプタ生成フレームワークであるZeroMAGを紹介する。
未ラベルのターゲット記録を使用して凍結したEEGエンコーダと予測ヘッドを拡張する。
EEGのみの推測では7.22ポイント、直接の重み回帰では4.89ポイント、バランスの取れた精度は改善される。
論文 参考訳（メタデータ） (2026-10-02T16:29:42Z) - Cloud-Native Evaluation-as-a-Service: A Microservices Architecture for Scalable AI Monitoring with Conformal Guarantees [4.262007271558123]
我々は、AI評価手法を6つのステートレスメソッドとして運用する、クラウドネイティブな参照アーキテクチャであるEを紹介する。
Eは、有限サンプル補正適応予測セットによる共形予測、キャリブレーションアセスメント、RFF近似平均不一致によるドリフト検出、ブートストラップ信頼区間によるフェアネスモニタリング、DAGベースのパイプラインオーケストレータ、結果記憶APIを含む。
論文 参考訳（メタデータ） (2026-07-04T01:39:59Z) - Transformer-Based Active Learning for Data-Efficient Vaccine Epitope Selection in PRRS [0.0]
9-mersと保存状態の良いブタ抗原受容体の高結合親和性のインスタンスを分類するための機械学習手法の評価を行った。
本研究では,9-mersと保存状態の良いブタ抗原受容体の高結合親和性のインスタンスを分類するために,能動学習の変種を用いて機械学習(ML)アプローチを評価する。
論文 参考訳（メタデータ） (2026-06-27T00:29:29Z) - Synthetic Network Packet Generation through Statistical Learning and Genetic Algorithms [6.42094170804706]
本稿では,合成IoTネットワークパケット生成のための2つの制約付きアプローチを提案し,比較する。
ACI IoT 2023データセットの完全な評価は、両方のメソッドがすべてのカテゴリにわたるPASSステータスを達成することを示している。
論文 参考訳（メタデータ） (2026-06-18T18:52:51Z) - Open-Set Vein Biometric Recognition with Deep Metric Learning [0.0]
我々は厳密なオープンセット制約の下でDeep Metric Learning(DML)の計算境界を厳格に評価する。
提案手法は,非ネイティブなL2正規化埋め込みを学習し,類似性しきい値を用いたプロトタイプベースマッチングを採用する。
大規模MMCBNU 6000ベンチマークでは、我々の最良のモデル(ResNet50-CBAM)がOSCR 0.9945、AUROC 0.9974、EER 1.57%を達成し、高い識別精度 (99.6% Rank-1) を維持しながら、未知の被験者を頑健に拒否する。
論文 参考訳（メタデータ） (2026-04-16T11:03:11Z) - Do Generative Metrics Predict YOLO Performance? An Evaluation Across Models, Augmentation Ratios, and Dataset Complexity [43.338311770275745]
本報告では, YOLOv11の合成増強の制御された評価法について述べる。
実際のトレーニングスプリットの10%から150%の増大率に対して, GAN, 拡散, ハイブリッドベースの6つのジェネレータをベンチマークした。
データセット生成/拡張設定毎に、マッチしたサイズのブートストラッププロトコルで事前トレーニングデータセットメトリクスを計算する。
論文 参考訳（メタデータ） (2026-02-20T03:02:36Z) - U-Mamba2-SSL for Semi-Supervised Tooth and Pulp Segmentation in CBCT [44.3806898357896]
U-Mamba2-SSLは,U-Mamba2モデル上に構築され,多段階の学習戦略を用いる,新しい半教師付き学習フレームワークである。
U-Mamba2-SSLは平均スコア0.789、DSC0.917を隠しテストセットで達成し、STSR 2025のタスク1で1位となった。
論文 参考訳（メタデータ） (2025-09-24T14:19:33Z) - Efficient Federated Learning with Heterogeneous Data and Adaptive Dropout [62.73150122809138]
Federated Learning(FL)は、複数のエッジデバイスを使用したグローバルモデルの協調トレーニングを可能にする、有望な分散機械学習アプローチである。
動的不均一モデルアグリゲーション(FedDH)と適応ドロップアウト(FedAD)の2つの新しい手法を備えたFedDHAD FLフレームワークを提案する。
これら2つの手法を組み合わせることで、FedDHADは精度(最大6.7%)、効率(最大2.02倍高速)、コスト(最大15.0%小型)で最先端のソリューションを大幅に上回っている。
論文 参考訳（メタデータ） (2025-07-14T16:19:00Z) - rECGnition_v2.0: Self-Attentive Canonical Fusion of ECG and Patient Data using deep learning for effective Cardiac Diagnostics [0.56337958460022]
この研究は、MIT-BIH Arrhythmia データセットを用いて、様々な不整脈のクラスに対する rECGnition_v2.0 の効率を評価する。
rECGnition_v2.0のコンパクトなアーキテクチャフットプリントは、トレーニング可能なパラメータがより少ないことで特徴付けられ、解釈可能性やスケーラビリティなどいくつかの利点を解き放った。
論文 参考訳（メタデータ） (2025-02-22T15:16:46Z) - Personalized Federated Learning under Mixture of Distributions [98.25444470990107]
本稿では,ガウス混合モデル(GMM)を用いたPFL(Personalized Federated Learning)を提案する。
FedGMMはオーバーヘッドを最小限に抑え、新しいクライアントに適応する付加的なアドバンテージを持ち、不確実な定量化を可能にします。
PFL分類と新しいサンプル検出の両方において, 合成データセットとベンチマークデータセットの実証評価により, 提案手法の優れた性能を示した。
論文 参考訳（メタデータ） (2023-05-01T20:04:46Z)
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。