LAtte: 被験者間 EEG分類のための双曲的ローレンツ注意
arXiv cs.LG / 2026/3/12
📰 ニュースSignals & Early TrendsModels & Research
要点
- LAtteは、被験者間EEG分類を堅牢に実現するため、InceptionTimeベースのエンコーダと統合されたローレンツ注意モジュールを導入します。
- 事前学習を通じて全被験者に跨る共有ベースライン信号を学習し、ローレンツ低ランクアダプターを用いて個体差を表す埋め込みをモデル化します。
- 未知の被験者への一般化を目指し、被験者ごとにファインチューニング可能で、被験者間の変動と低SNRのEEGに対処します。
- 3つのEEGデータセットで評価し、現状の最先端手法に対して大幅な性能向上を示しました。
本文: arXiv:2603.10881v1 アナウンスタイプ: 新規
要旨: 脳波（EEG）分類は、医療診断からブレイン-コンピュータ・インターフェースまでの幅広い応用分野で重要ですが、本質的に低い信号対雑音比（SNR）と高い被験者間変動のため、依然として困難です。これらの課題に対処するため、ローレンツ注意モジュールをInceptionTimeベースのエンコーダと統合した新規フレームワークLAtteを提案します。従来の研究は主に単一被験者の性能を評価しますが、LAtteは被験者間トレーニングに焦点を当てます。まず、全被験者に跨る共有ベースライン信号を事前学習タスクを用いて学習し、共通の基礎パターンを捉えます。次に、新規のローレンツ低ランクアダプターを用いて個体差を表す被験者特異的埋め込みを学習します。これにより、被験者間で堅牢に動作する共有モデルを学習でき、個々の被験者向けにファインチューニングしたり、未知の被験者へ一般化するために使用することができます。LAtteを3つの確立されたEEGデータセットで評価し、現状の最先端手法に比べて大幅な性能向上を達成しました。
