論文の概要: EEGBiFormer: Real-Time EEG Attention Classification via Hybrid CNN-Transformer with EEG-Informed Auditory Protocol Validation

• arxiv url: http://arxiv.org/abs/2610.33832v1
• Date: Sat, 24 Oct 2026 18:10:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 22:27:13.455996
• Title: EEGBiFormer: Real-Time EEG Attention Classification via Hybrid CNN-Transformer with EEG-Informed Auditory Protocol Validation
• Title（参考訳）: EEGBiFormer: EEG-Informed Auditory Protocol Validationを用いたハイブリッドCNN変換器によるリアルタイム脳波アテンション分類
• Abstract要約: 本稿では,注意状態のリアルタイムバイナリ分類のためのハイブリッドCNN-TransformerモデルであるEEGBiFormerを提案する。 タスクベースのEEGデータセットを集めるために、カスタムアナログのフロントエンド取得ボードが設計され、構築された。 訓練されたモデルは、脳波インフォームドオーディオプロトコルを出力し、焦点状態の信頼度によって聴覚刺激を客観的にランク付けするためにさらに使用された。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Sustained attention is critical for academic performance, yet existing auditory support tools are static and not grounded in real-time neural evidence. This paper presents EEGBiFormer, a hybrid CNN-Transformer model for realtime binary classification of attention states, focus versus nonfocus, from 16-channel EEG signals. A custom analog front-end acquisition board was designed and built to collect a task-based EEG dataset. Before model training, spectral and connectivity analysis, using Power Spectral Density and Phase Locking Value, confirmed distinct neural signatures between attention states, providing physiological grounding for the classification approach. EEGBiFormer achieved 91.3 percent window-level validation accuracy with an F1 score of 94.5 percent, and 88.2 percent recording-level accuracy across 17 independent sessions. End-to-end system latency was measured below 100 ms, supporting real-time responsiveness. The trained model was further used to objectively rank auditory stimuli by focus-state confidence, yielding EEG-informed audio protocols. In a paired within-subject behavioral study with 37 participants, these protocols produced a statistically significant 20 percent improvement in composite attention scores over silent controls, with a medium-to-large effect size. This work demonstrates a complete pipeline from custom EEG hardware through neural signal analysis, deep learning classification, and evidence-based auditory protocol design.
• Abstract（参考訳）: 持続的な注意は学術的パフォーマンスには不可欠であるが、既存の聴覚支援ツールは静的であり、リアルタイムの神経証拠には根拠がない。 本稿では16チャネル脳波信号から注目状態、フォーカス対非フォーカスのリアルタイムバイナリ分類のためのハイブリッドCNN-TransformerモデルであるEEGBiFormerを提案する。 タスクベースのEEGデータセットを集めるために、カスタムアナログのフロントエンド取得ボードが設計され、構築された。 モデルトレーニングの前に、パワースペクトル密度とフェーズロック値を用いたスペクトルおよび接続解析により、注意状態間の神経信号が明確に確認され、分類アプローチの生理的根拠となった。 EEGBiFormerはウィンドウレベルの検証精度91.3%、F1スコア94.5%、記録レベルの検証精度88.2%を達成した。 エンドツーエンドのシステムレイテンシは100ミリ秒以下で測定され、リアルタイムの応答性をサポートした。 訓練されたモデルは、脳波インフォームドオーディオプロトコルを出力し、焦点状態の信頼度によって聴覚刺激を客観的にランク付けするためにさらに使用された。 これらのプロトコルは、37人の被験者を対象に、サイレントコントロールよりも20%の統計的に有意な改善を実現した。 この研究は、ニューラルネットワーク分析、ディープラーニング分類、エビデンスベースの聴覚プロトコル設計を通じて、カスタムEEGハードウェアからの完全なパイプラインを実証する。

関連論文リスト

• Preference vs. Performance: EEG-Based Classification of Learner Engagement in Multimodal Instruction [1.8261575533659569]
  本研究はマルチモーダル・ラーニング・アナリティクスを用いて,自己報告型指導選好とエンゲージメントの客観的神経生理学的指標との関係について検討する。 Emotiv EpocXとOpenBCIの2つの脳波デバイスを用いて,リアルタイムな神経活動の計測を行った。
  論文  参考訳（メタデータ） (2026-10-04T12:40:37Z)
• HRVConformer: Neonatal Hypoxic-Ischemic Encephalopathy Classification from the Heart Rate signals [1.2599533416395767]
  本稿では,低酸素性虚血性脳症(HIE)を即時心拍数(HR)信号を用いて分類するための新しいディープラーニングアーキテクチャを提案する。 手作り機能に依存する従来のアプローチとは異なり、HRVConformerは生のHR信号をエンドツーエンドで直接処理する。 実験の結果、HRVコンフォーマーは83.23%のAUCと74.56%の精度を達成した。
  論文  参考訳（メタデータ） (2026-05-25T09:22:11Z)
• Design and Validation of a Lightweight 1D CNN for Affective Touch Classification in Soft Plush Companions [59.49967357689445]
  ソフトなセンサー付きコンパニオンは、社会的支援技術のための物理的に安全で感情的に直感的なインターフェースを提供する。 本研究では,ソフト・インタラクティブ・コンパニオンにおける感情的触覚認識のためのディープラーニングモデルの開発と検証を目的とした,オープンソースで拡張されたリアルタイムフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-04-16T10:20:05Z)
• Sparse Bayesian Modeling of EEG Channel Interactions Improves P300 Brain-Computer Interface Performance [3.9812825396617644]
  脳波をベースとしたP300脳-コンピュータインタフェース(BCI)は、刺激によって誘発される神経応答を検出することにより、物理的な動きを伴わないコミュニケーションを可能にする。 高精度かつ効率的な復号化は、高次元性、時間的依存、EEGチャネル間の複雑な相互作用のために依然として困難である。 構造化されたEEGチャネルの相互作用をモデル化した疎ベイズ時間変化回帰フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-02-19T19:03:51Z)
• WaveNet's Precision in EEG Classification [1.0885910878567457]
  本研究では,脳波信号の生理的,病理学的,アーティファクト的,ノイズ的分類の自動化を目的としたWaveNetに基づくディープラーニングモデルを提案する。 モデルは、70/20/10%のスプリットで209,232個のサンプルをトレーニングし、検証し、テストした。 WaveNetのアーキテクチャは、もともと生音声合成のために開発されたもので、拡張因果畳み込みと残差接続を使用するため、EEGデータによく適している。
  論文  参考訳（メタデータ） (2025-10-10T09:21:21Z)
• CEReBrO: Compact Encoder for Representations of Brain Oscillations Using Efficient Alternating Attention [46.47343031985037]
  交互注意(CEReBrO)を用いた脳振動の表現のための圧縮法について紹介する。 トークン化方式は、チャネルごとのパッチで脳波信号を表現します。 本研究では,チャネル内時間的ダイナミックスとチャネル間空間的相関を共同でモデル化し,通常の自己アテンションに比べて6倍少ないメモリで2倍の速度向上を実現するための注意機構を提案する。
  論文  参考訳（メタデータ） (2025-01-18T21:44:38Z)
• DGSD: Dynamical Graph Self-Distillation for EEG-Based Auditory Spatial Attention Detection [49.196182908826565]
  AAD(Auditory Attention Detection)は、マルチスピーカー環境で脳信号からターゲット話者を検出することを目的としている。 現在のアプローチは主に、画像のようなユークリッドデータを処理するために設計された従来の畳み込みニューラルネットワークに依存している。 本稿では、入力として音声刺激を必要としないAADのための動的グラフ自己蒸留(DGSD)手法を提案する。
  論文  参考訳（メタデータ） (2023-09-07T13:43:46Z)
• Corticomorphic Hybrid CNN-SNN Architecture for EEG-based Low-footprint Low-latency Auditory Attention Detection [8.549433398954738]
  マルチスピーカー「カクテルパーティー」のシナリオでは、リスナーは興味のある話者に選択的に出席することができる。 ニューラルネットワーク(ANN)を用いた脳波による聴覚的注意検出の最近の動向は,エッジコンピューティングプラットフォームでは実用的ではない。 聴覚野に触発されたハイブリッド畳み込みニューラルネットワーク(CNN-SNN)アーキテクチャを提案する。
  論文  参考訳（メタデータ） (2023-07-13T20:33:39Z)
• EEG-Inception: An Accurate and Robust End-to-End Neural Network for EEG-based Motor Imagery Classification [123.93460670568554]
  本稿では,脳波に基づく運動画像(MI)分類のための新しい畳み込みニューラルネットワーク(CNN)アーキテクチャを提案する。 提案したCNNモデル、すなわちEEG-Inceptionは、Inception-Timeネットワークのバックボーン上に構築されている。 提案するネットワークは、生のEEG信号を入力とし、複雑なEEG信号前処理を必要としないため、エンドツーエンドの分類である。
  論文  参考訳（メタデータ） (2021-01-24T19:03:10Z)

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。