[論文レビュー] Self-Supervised Evolutionary Learning of Neurodynamic Progression and Identity Manifolds from EEG During Safety-Critical Decision Making

Xiaoshan Zhou, Carol C. Menassa+1 more|arXiv (Cornell University)|Mar 7, 2026

EEG and Brain-Computer Interfaces被引用数 0

ひとこと要約

この論文は、自己教師付きの進化的学習フレームワークを提示し、連続的な EEG から個別化された神経動的進行とアイデンティティ・マニフォールドを発見し、安全 critical な意思決定中の認証と異常検知を外部ラベルなしで実現する。

ABSTRACT

Human-vehicle interaction in safety-critical traffic environments increasingly incorporates neural sensing to infer user intent and cognitive state, yet most existing approaches either treat electroencephalography (EEG) as a static biometric credential or train task-specific decoders that ignore long-term neurodynamic trajectories, lacking mechanisms for secure user identity and continual modeling of evolving cognitive states. This work proposes a self-supervised evolutionary learning (SSEL) framework that discovers individualized neurodynamic progressions and intrinsic identity manifolds directly from continuous EEG, without external labels or predefined cognitive stage models. SSEL jointly optimizes within-stage temporal predictability, boundary contrast, cross-trial alignment, and sparse stage-specific feature weights, while a population-based evolutionary search enables direct optimization in the discrete, non-differentiable space of candidate segmentations. We validate the framework on EEG recorded from participants performing a simulated road-crossing decision task, a canonical safety-critical scenario in which perceptual assessment, risk evaluation, and decision commitment unfold over time. The learned segmentations reveal stable, person-specific stage structures and neurodynamic signatures that support authentication and anomaly detection. Compared to inference-based segmentation baselines, SSEL achieves orders-of-magnitude higher boundary contrast, substantial gains in cross-trial generalization of intention boundaries, and more interpretable, sparse stage-wise feature attributions. Beyond performance, the framework advances a progression-aware perspective on cognitive neurodynamics, where security, resilience, and personalization emerge from the intrinsic temporal structure of brain activity, with implications for next-generation smart urban and transportation infrastructures.

研究の動機と目的

• EEG が安全 critical な意思決定における長期的な神経動的軌跡をどう明らかにするかを動機づける。
• 外部ラベルや事前定義された認知段階なしに進行構造を学習する自己教師付きフレームワークを提案する。
• 同階層内の時系列予測性、境界コントラスト、試行間整合、まばらで階層別特徴重みを組み合わせて最適化する。
• EEG データから離散で非微分可能なセグメンテーションを直接最適化する集団ベースの進化検索を実現する。

提案手法

• 連続 EEG から進行構造を抽出する Self-Supervised Evolutionary Learning (SSEL) を導入する。
• 同階層内の時系列予測性、境界コントラスト、試行間整合、まばらな階層別特徴重みを共同最適化する。
• 候補セグメンテーションの離散・非微分可能空間を最適化する集団ベースの進化的探索を採用する。
• シミュレートされた道路横断意思決定タスクからの EEG データで個人特有の階層構造を暴露する。
• 学習されたセグメンテーションが認証と異常検知のための安定した神経動的署名を提供することを実証する。

実験結果

リサーチクエスチョン

• RQ1 EEG ベースの神経動的進行は外部ラベルや事前定義された認知段階モデルなしに発見できるか？
• RQ2 個別化された進行構造は推定ベースのセグメンテーションと比べて試行間一般化と境界検出を改善するか？
• RQ3 アイデンティティ・マニフォールドと階層別特徴は安全 critical なタスクで認証と異常検知を支えるか？

主な発見

• SSEL は推定ベースのベースラインより桁違いに高い境界コントラストを示す。
• SSEL は意思境界の試行間一般化に顕著な向上を示す。
• 学習されたセグメンテーションは解釈可能でまばらな階層別特徴寄与を生み出す。
• フレームワークは EEG から安定した個人特異的階層構造と神経動的署名を明らかにする。
• 進行認知神経動学の視点が現れ、スマートインフラストラクチャの安全と個別化に影響を与える。