論文の概要: EEG Foundation Challenge: From Cross-Task to Cross-Subject EEG Decoding

• arxiv url: http://arxiv.org/abs/2506.19141v1
• Date: Mon, 23 Jun 2025 21:25:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-25 19:48:23.397148
• Title: EEG Foundation Challenge: From Cross-Task to Cross-Subject EEG Decoding
• Title（参考訳）: EEG財団の挑戦 - クロスタスクからクロスオブジェクトなEEGデコーディングへ
• Authors: Bruno Aristimunha, Dung Truong, Pierre Guetschel, Seyed Yahya Shirazi, Isabelle Guyon, Alexandre R. Franco, Michael P. Milham, Aviv Dotan, Scott Makeig, Alexandre Gramfort, Jean-Remi King, Marie-Constance Corsi, Pedro A. Valdés-Sosa, Amit Majumdar, Alan Evans, Terrence J Sejnowski, Oren Shriki, Sylvain Chevallier, Arnaud Delorme,
• Abstract要約: 2つの課題からなる大規模なコードベースのコンペティションを導入します。 Transfer Challengeは参加者に対して,新たなタスクと新たな課題をEEGデータからゼロショットデコード可能なモデルの構築とテストを求めるものだ。 精神病理因子予測チャレンジでは、参加者に脳波データからメンタルヘルスの指標を推測するよう求めている。
• 参考スコア（独自算出の注目度）: 71.31963197992998
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Current electroencephalogram (EEG) decoding models are typically trained on small numbers of subjects performing a single task. Here, we introduce a large-scale, code-submission-based competition comprising two challenges. First, the Transfer Challenge asks participants to build and test a model that can zero-shot decode new tasks and new subjects from their EEG data. Second, the Psychopathology factor prediction Challenge asks participants to infer subject measures of mental health from EEG data. For this, we use an unprecedented, multi-terabyte dataset of high-density EEG signals (128 channels) recorded from over 3,000 child to young adult subjects engaged in multiple active and passive tasks. We provide several tunable neural network baselines for each of these two challenges, including a simple network and demographic-based regression models. Developing models that generalise across tasks and individuals will pave the way for ML network architectures capable of adapting to EEG data collected from diverse tasks and individuals. Similarly, predicting mental health-relevant personality trait values from EEG might identify objective biomarkers useful for clinical diagnosis and design of personalised treatment for psychological conditions. Ultimately, the advances spurred by this challenge could contribute to the development of computational psychiatry and useful neurotechnology, and contribute to breakthroughs in both fundamental neuroscience and applied clinical research.
• Abstract（参考訳）: 現在の脳波デコードモデル(EEG)は、通常、少数の被験者が単一のタスクを実行することを訓練する。 本稿では,2つの課題からなる大規模・コード・サブミッション・ベースのコンペティションを紹介する。 まず、Transfer Challengeは参加者に対して、新しいタスクと新しい課題をEEGデータからゼロショットでデコードできるモデルの構築とテストを求める。 第二に、精神病理因子予測チャレンジでは、参加者に脳波データからメンタルヘルスの指標を推測するよう求めている。 このために我々は、3000人以上の子どもから若年成人までの複数の活動的・受動的課題に携わる若年者までの高密度脳波信号(128チャンネル)を、前代未聞のマルチテラバイトデータセットを用いて分析した。 これら2つの課題のそれぞれに対して、単純なネットワークと人口統計に基づく回帰モデルを含む、チューニング可能なニューラルネットワークベースラインをいくつか提供します。 タスクや個人を一般化するモデルを開発することで、さまざまなタスクや個人から収集されたEEGデータに適応可能なMLネットワークアーキテクチャの道を開くことができる。 同様に、脳波からメンタルヘルス関連性格特性値を予測することで、臨床診断に有用な客観的なバイオマーカーを同定し、心理学的状態に対するパーソナライズされた治療の設計を行うことができる。 最終的に、この課題によって引き起こされた進歩は、計算精神医学と有用な神経テクノロジーの発展に寄与し、基礎的な神経科学と応用臨床研究のブレークスルーに寄与する。

関連論文リスト

• Deep Learning-Powered Electrical Brain Signals Analysis: Advancing Neurological Diagnostics [13.196462537320595]
  脳波/iEEGに基づく神経学的診断における深層学習手法の進歩を体系的に検討する。 46個のデータセットを用いた7つの神経学的条件の応用に焦点を当てた。 多様なデータセットをまたいだモデル評価のための標準化されたベンチマークを提案する。
  論文  参考訳（メタデータ） (2025-02-24T14:45:05Z)
• Brain-Computer Interfaces for Emotional Regulation in Patients with Various Disorders [0.0]
  この研究は、脳波データを理解するための新しいニューラルネットワークアルゴリズムの開発に焦点を当てている。 データ分析は、アルゴリズムが高い精度で感情状態の分類に成功し、有望な結果を示す。 このことは、脳波に基づくBCIは、感情の認識と制御において、様々な神経学的および生理的障害を持つ個人を支援する貴重なツールとなる可能性があることを示唆している。
  論文  参考訳（メタデータ） (2024-11-22T01:57:14Z)
• NeuroLM: A Universal Multi-task Foundation Model for Bridging the Gap between Language and EEG Signals [21.363722751437066]
  我々は,脳波を外国語として扱うことで,Large Language Models (LLMs) の機能を活用する,最初のマルチタスク基盤モデルであるNeuroLMを提案する。 我々のアプローチは、脳波信号を離散的な神経トークンにエンコードするベクトル量子化された時間周波数予測を通じて、テキスト整列型ニューラルトークンを学習することから始まります。 我々は、LLMを具体化することによって、NeuroLMは命令チューニングによって単一のモデル内で多様な脳波タスクを統合できることを初めて実証した。
  論文  参考訳（メタデータ） (2024-08-27T12:07:09Z)
• RISE-iEEG: Robust to Inter-Subject Electrodes Implantation Variability iEEG Classifier [0.0]
  頭蓋内脳波(iEEG)は、臨床および脳-コンピュータインターフェースの応用にますます使われている。 本稿では, 電極内注入変動に頑健な新しいデコーダモデルを提案する。 我々はこのモデルをRISE-iEEGと呼び、このモデルはRobust to Inter-Subject Electrode implantation Variability iEEG の略である。
  論文  参考訳（メタデータ） (2024-08-12T18:33:19Z)
• EEG decoding with conditional identification information [7.873458431535408]
  脳波信号を復号することは、人間の脳を解き放ち、脳とコンピュータのインターフェースを進化させるのに不可欠である。 従来の機械学習アルゴリズムは、高ノイズレベルと脳波信号の個人間変動によって妨げられている。 ディープニューラルネットワーク(DNN)の最近の進歩は、その高度な非線形モデリング能力のために、将来性を示している。
  論文  参考訳（メタデータ） (2024-03-21T13:38:59Z)
• Evaluating the structure of cognitive tasks with transfer learning [67.22168759751541]
  本研究では,脳波復号処理における深層学習表現の伝達可能性について検討した。 最近リリースされた2つのEEGデータセット上で、最先端デコードモデルを用いて広範な実験を行う。
  論文  参考訳（メタデータ） (2023-07-28T14:51:09Z)
• 2021 BEETL Competition: Advancing Transfer Learning for Subject Independence & Heterogenous EEG Data Sets [89.84774119537087]
  我々は、診断とBCI(Brain-Computer-Interface)に関する2つの伝達学習課題を設計する。 第1タスクは、患者全体にわたる自動睡眠ステージアノテーションに対処する医療診断に重点を置いている。 タスク2はBrain-Computer Interface (BCI)に集中しており、被験者とデータセットの両方にわたる運動画像のデコードに対処する。
  論文  参考訳（メタデータ） (2022-02-14T12:12:20Z)
• SANSformers: Self-Supervised Forecasting in Electronic Health Records with Attention-Free Models [48.07469930813923]
  本研究は,医療施設への患者訪問数を予測することにより,医療サービスの需要を予測することを目的とする。 SNSformerは、特定の帰納バイアスを設計し、EHRデータの特異な特徴を考慮に入れた、注意のない逐次モデルである。 本研究は, 各種患者集団を対象とした医療利用予測の修正における, 注意力のないモデルと自己指導型事前訓練の有望な可能性について考察した。
  論文  参考訳（メタデータ） (2021-08-31T08:23:56Z)
• A Novel Transferability Attention Neural Network Model for EEG Emotion Recognition [51.203579838210885]
  脳波感情認識のための伝達型注目ニューラルネットワーク(TANN)を提案する。 TANNは、伝達可能な脳波領域のデータとサンプルを適応的に強調することにより、感情的な識別情報を学習する。 これは、複数の脳領域レベル判別器と1つのサンプルレベル判別器の出力を測定することで実現できる。
  論文  参考訳（メタデータ） (2020-09-21T02:42:30Z)
• Opportunities and Challenges of Deep Learning Methods for Electrocardiogram Data: A Systematic Review [62.490310870300746]
  心電図(Electrocardiogram、ECG)は、医学および医療において最も一般的に用いられる診断ツールの1つである。 深層学習法は心電図信号を用いた予測医療タスクにおいて有望な結果を得た。 本稿では、モデリングとアプリケーションの観点から、ECGデータに対するディープラーニング手法の体系的なレビューを行う。
  論文  参考訳（メタデータ） (2019-12-28T02:44:29Z)

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。