ot%と72.75
ot%が得られ、最先端のベースラインを上回った。これらの結果は、病理学的な時間ダイナミクスと、生理に制約された疑似教師信号を共同でモデル化することで、個別化された術後のMI-BCIリハビリテーションに向けたより頑健な被験者間初期化が提供できることを示している。実装コードはhttps://github.com/wxk1224/PA-TCNetで公開されている。
PA-TCNet：生理学に導かれたターゲット精緻化と病理に配慮した時間的キャリブレーションによる脳卒中患者のクロス被験者運動イメージEEGデコード
arXiv cs.CV / 2026/4/21
📰 ニュースSignals & Early TrendsTools & Practical UsageModels & Research
要点
- この論文では、病巣に由来する時間的異常や被験者間の強いばらつきにもかかわらず、脳卒中患者における運動イメージEEGのクロス被験者デコードを改善することを目的にしたPA-TCNetを提案しています。
- PA-TCNetは2つの連携モジュールで構成され、PRSMがEEGの時空間特徴を「ゆっくり変化するリズミックな文脈」と「速い一過性の摂動」に分解して病理文脈を効果的に伝播し、PGTCが生理学的に一貫したROIテンプレートを作ってターゲット領域の疑似ラベルを動的に精緻化します。
- 提案手法は、既存の適応手法が病理性の徐波活動やターゲット領域で不安定になりがちな疑似ラベルによって誤誘導されるという典型的な失敗要因を狙い撃ちしています。
- XW-Strokeおよび2019-Strokeの2つのデータセットで、leave-one-subject-out（1被験者ずつ除外）実験を行った結果、平均精度はそれぞれ66.56%と72.75%であり、既存の最先端ベースラインを上回りました。
- 著者は実装コードをGitHubで公開しており、「病理に基づく時間ダイナミクスのモデリング」と「生理学的制約を課した疑似教師あり」を組み合わせることで、術後の個別化MI-BCIリハビリに向けた初期化がより頑健になると主張しています。
