論文の概要: GraTED: Graph--Tensor EEG Decoding for Passenger Hazard Perception in Autonomous Vehicles

• arxiv url: http://arxiv.org/abs/2611.02827v1
• Date: Mon, 02 Nov 2026 09:25:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-06 14:59:38.063457
• Title: GraTED: Graph--Tensor EEG Decoding for Passenger Hazard Perception in Autonomous Vehicles
• Title（参考訳）: GraTED: 自動走行車における乗客の危険認識のためのグラフ・テンソル脳波デコーディング
• Abstract要約: 本稿では,自動走行車における乗客リスク予測(RP)と危険識別(DI)のためのグラフテンソル脳波復号モデル(GraTED)を提案する。 GraTEDは、電極配置を頭皮の位置に基づいて非方向グラフとしてモデル化し、グラフ畳み込みを用いて空間的依存関係を捉え、低ランクテンソル分類を用いて多次元時間構造を保存する。 GraTEDは、最先端の3つの評価設定の中で、最も高いバランスの取れた精度を達成する一方で、7つのベースラインメソッドの中で、最も少ない学習可能なパラメータを必要とする。
• 参考スコア（独自算出の注目度）: 11.380211759647159
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Passenger electroencephalography (EEG) can reveal road risk through anticipatory responses before hazardous events and neural reactions around their onset. However, existing EEG decoding methods often map physiologically meaningful arrangement of electrodes onto artificial 2D grids and thus flatten the higher-order time-feature representations into matrices, obscuring meaningful structure in the data. To preserve and exploit the spatial and time-feature structure of EEG recordings, we propose the Graph-Tensor EEG Decoding Model (GraTED) for passenger risk prediction (RP) and danger identification (DI) in autonomous-vehicle scenarios. GraTED models the electrode arrangement as an undirected graph based on their scalp locations, using graph convolution to capture spatial dependencies and low-rank tensor classification to preserve the multidimensional time-feature structure, while controlling model complexity. Evaluated on the PassengerEEG dataset, comprising 11 participants and 45 hours of recordings, GraTED achieves the highest balanced accuracy, compared to the state-of-the-art, across all three evaluation settings, while requiring the fewest learnable parameters among seven baseline methods.
• Abstract（参考訳）: 乗客脳波検査(EEG)は、危険事象の予知や、発症前後の神経反応によって道路リスクを明らかにすることができる。 しかし、既存の脳波復号法は、しばしば生理的に意味のある電極配置を人工的な2Dグリッドにマッピングし、高次時間特徴表現を行列にフラット化し、データに意味のある構造を隠蔽する。 脳波記録の空間的・時間的構造を保存・活用するために,自動車両シナリオにおける乗客危険予測(RP)と危険識別(DI)のためのグラフテンソル脳波復号モデル(GraTED)を提案する。 GraTEDは、電極配置を頭皮の位置に基づいて非方向グラフとしてモデル化し、グラフ畳み込みを用いて空間的依存関係を捉え、低ランクテンソル分類を用いて多次元時間構造を保存し、モデルの複雑さを制御した。 11人の参加者と45時間の録音からなるPassengerEEGデータセットに基づいて評価され、GraTEDは7つのベースラインメソッドの中で最も少ない学習可能なパラメータを必要としながら、最先端の3つの評価設定に対して、最もバランスの取れた精度を達成した。

関連論文リスト

• Let EEG Models Learn EEG [20.64210550961759]
  Just EEG Transformer (Jet) は条件付きフローマッチングに基づく生成フレームワークであり、連続した軌道に沿って進化する生のシーケンスとしてEEGをモデル化する。 Jetは最先端のパフォーマンスを一貫して達成し、強力なベースラインに比べてTS-FIDを40%以上削減する。
  論文  参考訳（メタデータ） (2026-05-20T15:10:10Z)
• ECG-NAT: A Self-supervised Neighborhood Attention Transformer for Multi-lead Electrocardiogram Classification [4.904219291349455]
  ECG信号は、きめ細かいビートレベルの形態とより広いリズムレベルの依存関係を同時にキャプチャするアーキテクチャを必要とする。 本稿では心電図近傍注意変換器(ECG-NAT)を提案する。 ECG-NATはベンチマークデータセット上で、1%のラベル付きデータを使用して88.1%の精度で堅牢なパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2026-05-13T08:50:00Z)
• Optimizing EEG Graph Structure for Seizure Detection: An Information Bottleneck and Self-Supervised Learning Approach [18.046321072873656]
  脳波の発作検出の新しい視点として,認知された動的グラフ構造と情報的空間時間的表現を共同学習する。 我々のグラフは、EEGデータのノイズ特性を明示的に説明し、コンパクトで信頼性の高い接続パターンを生成する。 本手法は、発作検出における最先端のベースラインよりも優れており、発作動態に関する臨床的に有意義な洞察を提供する。
  論文  参考訳（メタデータ） (2026-04-02T04:09:10Z)
• Scaling Up Occupancy-centric Driving Scene Generation: Dataset and Method [54.461213497603154]
  作業中心の手法は、最近、フレームとモダリティをまたいだ一貫した条件付けを提供することで、最先端の結果を得た。 Nuplan-Occは、広く使われているNuplanベンチマークから構築された、これまでで最大の占有率データセットである。 高品質な占有、多視点ビデオ、LiDAR点雲を共同で合成する統合フレームワークを開発した。
  論文  参考訳（メタデータ） (2025-10-27T03:52:45Z)
• ST-GraphNet: A Spatio-Temporal Graph Neural Network for Understanding and Predicting Automated Vehicle Crash Severity [0.0]
  詳細な空間グラフを用いて,自動走行車(AV)の重大度をモデル化し,予測するためのグラフニューラルネットワークフレームワークST-GraphNetを紹介する。 提案したST-GraphNetは97.74%の精度を達成し、最もきめ細かいモデル(64.7%のテスト精度)を大幅に上回っている。
  論文  参考訳（メタデータ） (2025-06-09T01:42:19Z)
• Geometry-aware Active Learning of Spatiotemporal Dynamic Systems [4.251030047034566]
  本稿では,動的システムのモデリングのための幾何対応能動学習フレームワークを提案する。 データ収集のための空間的位置を戦略的に識別し、予測精度をさらに最大化する適応型能動学習戦略を開発した。
  論文  参考訳（メタデータ） (2025-04-26T19:56:38Z)
• GPD-1: Generative Pre-training for Driving [77.06803277735132]
  本稿では,これらすべてのタスクを実現するために,GPD-1(Generative Pre-Training for Driving)モデルを提案する。 それぞれのシーンをエゴ、エージェント、マップトークンで表現し、統一トークン生成問題として自律運転を定式化する。 GPD-1は、シーン生成、交通シミュレーション、クローズドループシミュレーション、マップ予測、モーションプランニングなど、微調整なしで様々なタスクに適応する。
  論文  参考訳（メタデータ） (2024-12-11T18:59:51Z)
• RISE-iEEG: Robust to Inter-Subject Electrodes Implantation Variability iEEG Classifier [0.0]
  頭蓋内脳波(iEEG)は、臨床および脳-コンピュータインターフェースの応用にますます使われている。 本稿では, 電極内注入変動に頑健な新しいデコーダモデルを提案する。 我々はこのモデルをRISE-iEEGと呼び、このモデルはRobust to Inter-Subject Electrode implantation Variability iEEG の略である。
  論文  参考訳（メタデータ） (2024-08-12T18:33:19Z)
• REST: Efficient and Accelerated EEG Seizure Analysis through Residual State Updates [54.96885726053036]
  本稿では,リアルタイム脳波信号解析のための新しいグラフベース残状態更新機構(REST)を提案する。 グラフニューラルネットワークとリカレント構造の組み合わせを活用することで、RESTは、非ユークリッド幾何学とEEGデータ内の時間的依存関係の両方を効率的にキャプチャする。 本モデルは,発作検出と分類作業において高い精度を示す。
  論文  参考訳（メタデータ） (2024-06-03T16:30:19Z)
• Detecting Anomalies in Dynamic Graphs via Memory enhanced Normality [39.476378833827184]
  動的グラフにおける異常検出は、グラフ構造と属性の時間的進化によって大きな課題となる。 時空間記憶強調グラフオートエンコーダ(STRIPE)について紹介する。 STRIPEは、AUCスコアが5.8%改善し、トレーニング時間が4.62倍速く、既存の手法よりも大幅に優れている。
  論文  参考訳（メタデータ） (2024-03-14T02:26:10Z)
• Generalizing electrocardiogram delineation: training convolutional neural networks with synthetic data augmentation [63.51064808536065]
  ECGのデライン化のための既存のデータベースは小さく、サイズやそれらが表す病態の配列に不足している。 まず、原データベースから抽出した基本セグメントのプールを与えられたECGトレースを確率的に合成し、その整合性のある合成トレースに配置するための一連のルールを考案した。 第二に、2つの新しいセグメンテーションに基づく損失関数が開発され、これは、正確な数の独立構造の予測を強制し、サンプル数の削減に焦点をあてて、より密接なセグメンテーション境界を創出することを目的としている。
  論文  参考訳（メタデータ） (2021-11-25T10:11:41Z)

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。