論文の概要: A Compact xDAWN-Guided Spatio-Temporal Network with Filter-Bank Convolution for P300 Detection
- arxiv url: http://arxiv.org/abs/2611.17101v1
- Date: Thu, 12 Nov 2026 17:00:30 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-14 01:36:33.560095
- Title: A Compact xDAWN-Guided Spatio-Temporal Network with Filter-Bank Convolution for P300 Detection
- Title(参考訳): P300検出のためのフィルタバンク畳み込みを用いたコンパクトxDAWN型時空間ネットワーク
- Abstract要約: 本稿では,xDAW空間フィルタリングとイベント関連ポテンシャル増強と次元減少を併用したコンパクトなアーキテクチャを提案する。
ディープ・コンボリューションとプログレッシブ平均プールは、分権的な時間情報を保持しながら計算の複雑さを減少させる。
このモデルはBCIコンペティションIIIで2回、BCIコンペティションIIで40.5ビット/分という2回の繰り返しで17.8ビット/分の情報転送速度を達成した。
- 参考スコア(独自算出の注目度): 0.9167082845109437
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: P300-based brain-computer interfaces (BCIs) enable communication by decoding stimulus-evoked EEG responses into character selections without requiring voluntary motor output. Reliable P300 detection remains difficult because of low response amplitude and signal-to-noise ratio, while practical spellers require accurate character selection with few stimulus repetitions and low computational cost. We propose a compact deep learning architecture that combines xDAWN spatial filtering for event-related potential enhancement and dimensionality reduction, a fixed frequency-selective filter bank, and convolutional feature learning for spatio-temporal EEG decoding. Depthwise-separable convolutions and progressive average pooling reduce computational complexity while retaining discriminative temporal information. The resulting target/non-target classifier contains only 5,100 trainable parameters. We evaluated the model on two public benchmarks, BCI Competition II Dataset IIb and BCI Competition III Dataset II, and compared it with established P300 decoding methods across different numbers of stimulus repetitions. The model achieved an information transfer rate of 17.8 bits/min with two repetitions on BCI Competition III and 40.5 bits/min on BCI Competition II, demonstrating a favorable accuracy-speed trade-off. These results suggest that combining domain-informed spatial and spectral priors with compact neural networks can support efficient P300 decoding for EEG-based BCI communication.
- Abstract(参考訳): P300ベースの脳-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脳波応答を自発的な運動出力を必要とせずに文字選択にデコードすることで通信を可能にする。
低応答振幅と信号対雑音比のため信頼性の高いP300検出は依然として困難であり、実用的なスペルは少ない刺激繰り返しと低い計算コストで正確な文字選択を必要とする。
本稿では,xDAWN空間フィルタリングとイベント関連電位強調と次元性低減,固定周波数選択フィルタバンク,時空間脳波復号のための畳み込み特徴学習を組み合わせた,コンパクトなディープラーニングアーキテクチャを提案する。
奥行き分離可能な畳み込みとプログレッシブ平均プールは、識別的時間情報を保持しながら計算複雑性を減少させる。
結果のターゲット/非ターゲット分類器は5,100のトレーニング可能なパラメータしか含まない。
BCIコンペティションIIデータセットIIbとBCIコンペティションIIIデータセットIIの2つの公開ベンチマークでモデルを評価し、異なる数の刺激繰り返しに対して確立されたP300復号法と比較した。
このモデルはBCIコンペティションIIIで2回、BCIコンペティションIIで40.5ビット/分という2回の繰り返しで17.8ビット/分の情報転送速度を達成した。
これらの結果は,脳波を用いたBCI通信において,領域インフォームド空間とスペクトルの先行処理をコンパクトニューラルネットワークと組み合わせることで,効率的なP300復号化が可能であることを示唆している。
関連論文リスト
- 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) - Adaptive Semi-Supervised Training of P300 ERP-BCI Speller System with Minimum Calibration Effort [0.0]
脳コンピュータインタフェース(BCI)は、標的刺激によって誘発されるP300事象関連電位(ERP)を探索する。
従来の手法では、バイナリ分類器を構築するのに長い校正手順が必要である。
最小限のキャリブレーションを施した統一化フレームワークを提案し、ラベル付きキャリブレーションデータが少ないと、適応型半教師付きEM-GMMアルゴリズムを用いてバイナリ分類器を更新する。
論文 参考訳(メタデータ) (2026-02-17T19:10:35Z) - Integrated Sensing, Communication, and Computation for Over-the-Air Federated Edge Learning [52.904670248426626]
本稿では,統合されたセンサ,通信,計算機能を備えた空対空フェデレーションエッジ・ラーニング(Air-FEEL)システムについて検討する。
バッチサイズ制御とネットワークリソース割り当てを交互に最適化することにより、低複雑さI SCCアルゴリズムを導出する。
論文 参考訳(メタデータ) (2025-08-21T02:46:46Z) - Bayesian Inference on Brain-Computer Interfaces via GLASS [4.04514704204904]
脳波信号の低信号対雑音比(SNR)と複雑な空間的・時間的相関は、モデリングと計算における課題を示す。
完全ベイズ的枠組みの下でスパース時間変化効果(GLASS)を持つ新しいガウスラテントチャネルモデルを導入する。
筋萎縮性側索硬化症(ALS)患者におけるGLASSによるBCI改善効果について検討した。
より広範なアクセシビリティを実現するため、我々は後方計算のための効率的な勾配に基づく変分推論(GBVI)アルゴリズムを開発した。
論文 参考訳(メタデータ) (2023-04-14T21:29:00Z) - NAF: Neural Attenuation Fields for Sparse-View CBCT Reconstruction [79.13750275141139]
本稿では,スパースビューCBCT再構成のための新規かつ高速な自己教師型ソリューションを提案する。
所望の減衰係数は、3次元空間座標の連続関数として表現され、完全に接続されたディープニューラルネットワークによってパラメータ化される。
ハッシュ符号化を含む学習ベースのエンコーダが採用され、ネットワークが高周波の詳細をキャプチャするのに役立つ。
論文 参考訳(メタデータ) (2022-09-29T04:06:00Z) - Fuzzy temporal convolutional neural networks in P300-based
Brain-computer interface for smart home interaction [3.726817037277484]
脳波パターンは、ノイズによる時間的変化と不確実性を示す。
これは、スマートホームインタラクションのためのP300ベースのBrain Computer Interfaceで対処すべき重要な問題である。
脳波信号、LSTM細胞、ファジィニューラルブロック(FNB)に修飾された時間畳み込みネットワーク(TCN)の逐次統合を提案する。
論文 参考訳(メタデータ) (2022-04-09T00:35:35Z) - An Adaptive Device-Edge Co-Inference Framework Based on Soft
Actor-Critic [72.35307086274912]
高次元パラメータモデルと大規模数学的計算は、特にIoT(Internet of Things)デバイスにおける実行効率を制限する。
本稿では,ソフトポリシーの繰り返しによるエフェキシット点,エフェキシット点,エンフェキシット点を生成する離散的(SAC-d)のための新しい深層強化学習(DRL)-ソフトアクタ批判法を提案する。
レイテンシと精度を意識した報酬設計に基づいて、そのような計算は動的無線チャンネルや任意の処理のような複雑な環境によく適応でき、5G URLをサポートすることができる。
論文 参考訳(メタデータ) (2022-01-09T09:31:50Z) - Inception Convolution with Efficient Dilation Search [121.41030859447487]
拡散畳み込みは、効果的な受容場を制御し、オブジェクトの大規模な分散を処理するための標準的な畳み込みニューラルネットワークの重要な変異体である。
そこで我々は,異なる軸,チャネル,層間の独立な拡散を有する拡張畳み込みの新たな変異体,すなわち開始(拡張)畳み込みを提案する。
本稿では,データに複雑なインセプション・コンボリューションを適合させる実用的な手法を探索し,統計的最適化に基づく簡易かつ効果的な拡張探索アルゴリズム(EDO)を開発した。
論文 参考訳(メタデータ) (2020-12-25T14:58:35Z) - Transfer Learning and SpecAugment applied to SSVEP Based BCI
Classification [1.9336815376402716]
我々は、ディープ畳み込みニューラルネットワーク(DCNN)を使用して、単一チャネル脳-コンピュータインタフェース(BCI)で脳波信号を分類する。
脳波信号はスペクトログラムに変換され、転送学習技術を用いてDCNNを訓練するための入力として機能した。
論文 参考訳(メタデータ) (2020-10-08T00:30:12Z) - A Computationally Efficient Multiclass Time-Frequency Common Spatial
Pattern Analysis on EEG Motor Imagery [164.93739293097605]
共通空間パターン(CSP)は脳波(EEG)運動画像(MI)の一般的な特徴抽出法である
本研究では,従来のCSPアルゴリズムを改良し,マルチクラスMI分類精度を改善し,計算処理の効率化を図る。
論文 参考訳(メタデータ) (2020-08-25T18:23:50Z) - Neural Architecture Search For LF-MMI Trained Time Delay Neural Networks [61.76338096980383]
TDNN(State-of-the-the-art Factored Time delay Neural Network)の2種類のハイパーパラメータを自動的に学習するために、さまざまなニューラルネットワークサーチ(NAS)技術が使用されている。
DARTSメソッドはアーキテクチャ選択とLF-MMI(格子のないMMI)TDNNトレーニングを統合する。
300時間のSwitchboardコーパスで行われた実験では、自動構成システムはベースラインLF-MMI TDNNシステムより一貫して優れていることが示唆された。
論文 参考訳(メタデータ) (2020-07-17T08:32:11Z)
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。