論文の概要: Inner-Speech Decoding from EEG Across Three Corpora Under a Fixed Architecture and Protocol

• arxiv url: http://arxiv.org/abs/2611.02180v1
• Date: Sun, 01 Nov 2026 20:30:00 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-11-03 19:18:20.781708
• Title: Inner-Speech Decoding from EEG Across Three Corpora Under a Fixed Architecture and Protocol
• Title（参考訳）: 固定アーキテクチャとプロトコルによる3つのコーパス間の脳波からの内音声復号
• Abstract要約: 脳波からの内音声復号は、重度運動障害の患者に対する非侵襲的なコミュニケーションを支援する可能性がある。 本稿では,1つの前処理パイプライン,1つの内部5倍のクロスバリデーションプロトコル,およびコンパクトなデュアルアテンション変換器を用いたクロスデータセットの研究について述べる。 畳み込み、繰り返し、時間的畳み込み、ハイブリッドトランスフォーマー、事前訓練された基礎モデルファミリにまたがる10個のデコーダは、データセット毎に狭い精度範囲に収束した。
• 参考スコア（独自算出の注目度）: 5.411391838550501
• License:
• Abstract: Inner-speech decoding from electroencephalography could support non-invasive communication for people with severe motor impairment, but comparison across studies is hindered by dataset- and protocol-specific evaluation. We present a controlled cross-dataset study using one preprocessing pipeline, one within-subject five-fold cross-validation protocol, and a compact dual-attention Transformer (VC-DATNet; approximately 131,000 parameters) across three public corpora: Thinking Out Loud (10 participants), BISpeech (4), and SyncSpeech (3). VC-DATNet achieved per-participant sensor/source hybrid accuracies of 39.48% on the four-class Thinking Out Loud task, 20.60% on the eight-word BISpeech task, and 25.53% on the eight-word SyncSpeech task, for which we report the first decoding result. Sensor-space and cortical source-space representations were complementary, with each performing better for different participants; this pattern replicated across all three corpora and nine architectures. Moreover, ten decoders spanning convolutional, recurrent, temporal-convolutional, hybrid Transformer, and pretrained foundation-model families converged within a narrow accuracy range on every dataset. These findings indicate that representation choice should be individualized and suggest that performance on these public corpora is constrained more by signal quality and dataset scale than by model capacity. The released pipeline provides a reproducible benchmark for future inner-speech decoding studies
• Abstract（参考訳）: 脳波による内音声復号は、重度運動障害のある人に対する非侵襲的なコミュニケーションを支援することができるが、データセットやプロトコル固有の評価によって研究間の比較が妨げられる。 本稿では,1つの前処理パイプラインと1つの内部5倍のクロスバリデーションプロトコル,および3つの公開コーパス(Thinking Out Loud (10名), BISpeech (4), SyncSpeech (3))にまたがるコンパクトなデュアルアテンショントランスフォーマ(VC-DATNet, 約131,000名)を用いたクロスデータセット・スタディを提案する。 VC-DATNetは、参加者ごとのセンサ/ソースハイブリッドの精度を、4つのクラスのThinking Out Loudタスクで39.48%、8ワードのBISpeechタスクで20.60%、8ワードのSyncSpeechタスクで25.53%達成し、最初の復号結果を報告した。 センサ空間と皮質のソース空間の表現は相補的であり、それぞれが異なる参加者に対して良い結果が得られ、このパターンは3つのコーパスと9つのアーキテクチャにまたがって再現された。 さらに、畳み込み、繰り返し、時間的畳み込み、ハイブリッドトランスフォーマー、事前訓練された基礎モデルファミリにまたがる10個のデコーダが、データセット毎に狭い精度範囲に収束した。 これらの結果は,表現の選択を個別化すべきであることを示唆し,これらの公開コーパスの性能は,モデルキャパシティよりも信号品質やデータセットスケールに制約されていることを示唆している。 リリースされたパイプラインは、将来の内音声復号化研究のための再現可能なベンチマークを提供する

関連論文リスト

• Correlation-Guided Encoder Selection for Multi-Encoder Large Audio-Language Models [52.59216139491759]
  CUES (Correlation-gUided Selection) は、単エンコーダ評価のみから選択中の融合訓練なしで設定された候補をスコアする。 広いトラックAスイートでは、CUESはクロスファミリートリオ(Whisper-medium、mHuBERT-147、Dasheng-base)を選択する。 TrackBテキスト生成では、フォーカスされた音声のみのペア(mHuBERT-147とWavLM-base-plus)で再アンカーする。
  論文  参考訳（メタデータ） (2026-09-16T02:41:41Z)
• Rethinking Pulmonary Embolism Segmentation: A Study of Current Approaches and Challenges with an Open Weight Model [21.024556007374684]
  3Dモデルは、塞栓の形態的特徴から、この課題に特に適している。 CNNベースのモデルは一般的に、PEセグメンテーションにおけるVTベースのモデルよりも優れたパフォーマンスが得られる。 一方、タスクの複雑さと高品質なデータセットの不足のため、遠位塞栓は難しいままである。
  論文  参考訳（メタデータ） (2025-09-22T18:34:30Z)
• Decoding speech perception from non-invasive brain recordings [48.46819575538446]
  非侵襲的な記録から知覚音声の自己教師付き表現をデコードするために、コントラスト学習で訓練されたモデルを導入する。 我々のモデルでは、3秒のMEG信号から、1,000以上の異なる可能性から最大41%の精度で対応する音声セグメントを識別できる。
  論文  参考訳（メタデータ） (2022-08-25T10:01:43Z)
• Scenario Aware Speech Recognition: Advancements for Apollo Fearless Steps & CHiME-4 Corpora [70.46867541361982]
  本稿では、TRILLと呼ばれる三重項損失に基づく自己監督基準で訓練された一般的な非意味的音声表現について考察する。 我々は、Fearless Stepsの開発と評価のために、+5.42%と+3.18%の相対的なWER改善を観察した。
  論文  参考訳（メタデータ） (2021-09-23T00:43:32Z)
• Speech2AffectiveGestures: Synthesizing Co-Speech Gestures with Generative Adversarial Affective Expression Learning [52.73083137245969]
  そこで本稿では, 感情表現を適切に表現し, 3次元ポーズを合成する生成的対人ネットワークを提案する。 本ネットワークは,入力音声とシードポーズから符号化された特徴の組込み空間からジェスチャを合成するジェネレータと,合成されたポーズシーケンスと実3Dポーズシーケンスを識別する識別器とから構成される。
  論文  参考訳（メタデータ） (2021-07-31T15:13:39Z)
• Extracting the Locus of Attention at a Cocktail Party from Single-Trial EEG using a Joint CNN-LSTM Model [0.1529342790344802]
  人間の脳は、複数の話者シナリオにおいて、特定の話者を干渉する話者から分離する際、非常によく機能する。 本稿では,聴覚の注意を喚起するために,結合畳み込みニューラルネットワーク(CNN)-長短期記憶(LSTM)モデルを提案する。
  論文  参考訳（メタデータ） (2021-02-08T01:06:48Z)
• Towards a Competitive End-to-End Speech Recognition for CHiME-6 Dinner Party Transcription [73.66530509749305]
  本稿では,難しい場合であっても,ハイブリッドベースラインに近い性能を示すエンドツーエンドアプローチについて論じる。 CTC-Attention と RNN-Transducer のアプローチと RNN と Transformer のアーキテクチャを比較し,解析する。 RNN-Transducerをベースとしたベストエンド・ツー・エンドモデルでは、ビームサーチの改善とともに、LF-MMI TDNN-F CHiME-6 Challengeのベースラインよりも品質が3.8%向上した。
  論文  参考訳（メタデータ） (2020-04-22T19:08:33Z)

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。