論文の概要: A Dual-Branch Graph and Convolutional Network for Interpretable Movement EEG Classification
- arxiv url: http://arxiv.org/abs/2611.16609v1
- Date: Thu, 12 Nov 2026 10:47:37 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-14 01:36:33.447377
- Title: A Dual-Branch Graph and Convolutional Network for Interpretable Movement EEG Classification
- Title(参考訳): 解釈可能な運動脳波分類のためのデュアルブランチグラフと畳み込みネットワーク
- Abstract要約: 本稿では,LGGNetにインスパイアされたローカル-グローバルグラフブランチとEEGNetスタイルの畳み込み分岐を組み合わせた2分岐アーキテクチャを提案する。
Ofner上層移動データセット上でのLeft-one-subject-outクロスバリデーションを用いて,提案アーキテクチャの評価を行った。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Decoding upper-limb movements from scalp electroencephalography (EEG) is an important problem for brain-computer interfaces (BCIs), but many deep learning models provide limited insight into the brain regions underlying their predictions. We propose a two-branch architecture that combines an LGGNet-inspired local-global graph branch with an EEGNet-style convolutional branch for movement-versus-rest classification. The graph branch groups 61 EEG electrodes into anatomically informed regions and learns their spatial relationships, providing a direct representation of the regions emphasized by the model. We evaluate the proposed architecture using leave-one-subject-out cross-validation on the Ofner upper-limb movement dataset. The model achieves a mean F1-score of 0.74 +/- 0.06 across subjects. Beyond classification performance, we analyze the learned graph structure to identify the regions with the strongest connectivity. Across all held-out subjects, the highest connectivity is consistently observed in the Parietal Left Low region, corresponding to electrodes P1 and P3. This region is opposite to the performed right-arm movements and lies within the posterior parietal area previously associated with upper-limb movement processing. These results show that incorporating a region-based graph into the decoder can provide an anatomically interpretable representation while maintaining effective movement classification, offering a practical approach toward more transparent EEG-based BCIs.
- Abstract(参考訳): 頭皮脳波(EEG)から上肢の動きをデコードすることは脳-コンピュータインターフェース(BCI)にとって重要な問題であるが、多くのディープラーニングモデルは、その予測の根底にある脳領域について限られた洞察を与える。
本稿では,LGGNetにインスパイアされたローカル-グローバルグラフブランチとEEGNetスタイルの畳み込み分岐を組み合わせた2分岐アーキテクチャを提案する。
グラフブランチは61EEG電極を解剖学的に情報を得た領域にグループ化し、それらの空間的関係を学習し、モデルによって強調される領域を直接表現する。
Ofner上層移動データセット上でのLeft-one-subject-outクロスバリデーションを用いて,提案アーキテクチャの評価を行った。
平均F1スコアは0.74+/-0.06である。
分類性能の他に、学習したグラフ構造を分析し、最も強い接続性を持つ領域を特定する。
すべてのホールドアウト被検体において、最も高い接続性は、電極P1,P3に対応する頭頂左低領域で一貫して観察される。
この領域は、実行された右腕運動とは反対であり、以前は上肢運動処理に関連付けられていた後頭頂部領域内に位置する。
これらの結果から,領域ベースのグラフをデコーダに組み込むことで,効果的な動作分類を維持しつつ,解剖学的に解釈可能な表現を実現できることが示唆された。
関連論文リスト
- Complementarity-Driven Dual-Teacher Hierarchical Alignment for Zero-Shot EEG-to-Image Retrieval [45.23760210565886]
メカニズム・パラダイム対応ビューは、階層的視覚処理と並列VFMの相補的バイアスをリンクする。
共有EEGエンコーダは、凍結したマルチパターンCLIPと浅いDINOv2教師によって管理される。
THINGS-EEGゼロショット検索では、DTHAは92.4%の精度でTop-1を達成し、12.4ポイントの精度で先行技術を上回っている。
論文 参考訳(メタデータ) (2026-11-09T18:05:57Z) - Domain Knowledge Based Temporal-Spatial Graph Convolution Network for ECG Recognition [16.938845925147238]
本稿では,ECG認識のためのドメイン知識に基づくグラフ畳み込みネットワークを用いた新しいアプローチを提案する。
ECGインタープリタオンに不可欠なPRQSTの重要なランドマークポイントはドメイン知識として組み込まれている。
平均F1スコアは88.1%、平均F1スコアは76.3%であり、どちらも最先端のモデルを上回っている。
論文 参考訳(メタデータ) (2026-07-01T08:41:44Z) - GCMCG: A Clustering-Aware Graph Attention and Expert Fusion Network for Multi-Paradigm, Multi-task, and Cross-Subject EEG Decoding [0.7871262900865523]
運動画像(MI)脳波(EEG)信号に基づく脳-コンピュータインタフェース(BCI)は、人間と機械の相互作用の直接的な経路を提供する。
本稿では,MI-ME EEGデコーディングのための新しい統合フレームワークであるGraph-guided Clustering Mixture-of-Experts CNNGRUGを提案する。
論文 参考訳(メタデータ) (2025-11-29T18:05:33Z) - CodeBrain: Towards Decoupled Interpretability and Multi-Scale Architecture for EEG Foundation Model [52.466542039411515]
EEGファウンデーションモデル(EFM)は、タスク固有のモデルのスケーラビリティ問題に対処するために登場した。
このギャップを埋めるために設計された2段階のEMFであるCodeBrainを紹介します。
第1段階では、異種時間・周波数の脳波信号を離散トークンに分解するTFDual-Tokenizerを導入する。
第2段階では、構造化されたグローバル畳み込みとスライディングウインドウの注意を結合したマルチスケールEEGSSMアーキテクチャを提案する。
論文 参考訳(メタデータ) (2025-06-10T17:20:39Z) - BrainOmni: A Brain Foundation Model for Unified EEG and MEG Signals [46.121056431476156]
異種脳波とMEG記録を対象とする脳基礎モデルBrain Omniを提案する。
既存のアプローチは一般的に、パフォーマンスとクロスドメインのスケーラビリティを制限する、分離、モダリティ、データセット固有のモデルに依存します。
EEGの合計1,997時間、MEGデータの656時間は、事前トレーニングのために公開されているソースからキュレーションされ、標準化されている。
論文 参考訳(メタデータ) (2025-05-18T14:07:14Z) - Degree-Conscious Spiking Graph for Cross-Domain Adaptation [51.58506501415558]
Spiking Graph Networks (SGNs) はグラフ分類において大きな可能性を証明している。
DeSGraDA(Degree-Consicious Spiking Graph for Cross-Domain Adaptation)という新しいフレームワークを紹介する。
DeSGraDAは3つのキーコンポーネントを持つドメイン間の一般化を強化する。
論文 参考訳(メタデータ) (2024-10-09T13:45:54Z) - Dynamic GNNs for Precise Seizure Detection and Classification from EEG Data [6.401370088497331]
本稿では,脳波の位置と対応する脳領域のセマンティクスの相互作用を捉える動的グラフニューラルネットワーク(GNN)フレームワークであるNeuroGNNを紹介する。
実世界のデータを用いた実験により、NeuroGNNは既存の最先端モデルよりも大幅に優れていることが示された。
論文 参考訳(メタデータ) (2024-05-08T21:36:49Z) - Graph Spectral Embedding using the Geodesic Betweeness Centrality [76.27138343125985]
本稿では、局所的な類似性、接続性、グローバル構造を教師なしで表現するグラフSylvester Embedding (GSE)を紹介する。
GSEはシルヴェスター方程式の解を用いて、ネットワーク構造と近傍の近接を1つの表現で捉える。
論文 参考訳(メタデータ) (2022-05-07T04:11:23Z) - GCNs-Net: A Graph Convolutional Neural Network Approach for Decoding
Time-resolved EEG Motor Imagery Signals [8.19994663278877]
グラフ畳み込みニューラルネットワーク(GCN)に基づく新しいディープラーニングフレームワークを提案し,生の脳波信号の復号性能を向上させる。
導入されたアプローチは、パーソナライズされた予測とグループ的な予測の両方に収束することが示されている。
論文 参考訳(メタデータ) (2020-06-16T04:57:12Z) - Structured Landmark Detection via Topology-Adapting Deep Graph Learning [75.20602712947016]
解剖学的顔と医学的ランドマーク検出のための新しいトポロジ適応深層グラフ学習手法を提案する。
提案手法は局所像特徴と大域形状特徴の両方を利用するグラフ信号を構成する。
3つの公開顔画像データセット(WFLW、300W、COFW-68)と3つの現実世界のX線医学データセット(ケパロメトリ、ハンド、ペルビス)で実験を行った。
論文 参考訳(メタデータ) (2020-04-17T11:55:03Z) - Embedding Graph Auto-Encoder for Graph Clustering [90.8576971748142]
グラフ自動エンコーダ(GAE)モデルは、半教師付きグラフ畳み込みネットワーク(GCN)に基づく
我々は、グラフクラスタリングのための特定のGAEベースのモデルを設計し、その理論、すなわち、埋め込みグラフオートエンコーダ(EGAE)と整合する。
EGAEは1つのエンコーダと2つのデコーダで構成される。
論文 参考訳(メタデータ) (2020-02-20T09:53:28Z)
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。