論文の概要: AdaBrain-Bench: Benchmarking Brain Foundation Models for Brain-Computer Interface Applications
- arxiv url: http://arxiv.org/abs/2507.09882v2
- Date: Tue, 05 Aug 2025 13:09:19 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-08-06 15:23:34.572577
- Title: AdaBrain-Bench: Benchmarking Brain Foundation Models for Brain-Computer Interface Applications
- Title（参考訳）: AdaBrain-Bench:脳-コンピュータインターフェースアプリケーションのための脳基礎モデルのベンチマーク
- Authors: Jiamin Wu, Zichen Ren, Junyu Wang, Pengyu Zhu, Yonghao Song, Mianxin Liu, Qihao Zheng, Lei Bai, Wanli Ouyang, Chunfeng Song,
- Abstract要約: 非侵襲的なBrain-Computer Interface(BCI)は、人間の脳を外部デバイスに接続する安全でアクセスしやすい手段を提供する。
近年,自己指導型プレトレーニングの導入により,非侵襲的BCI研究の展望が変化しつつある。
AdaBrain-Benchは、広範囲にわたる非侵襲的BCIタスクにおける脳基盤モデルを評価するための標準化されたベンチマークである。
- 参考スコア（独自算出の注目度）: 52.91583053243446
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Non-invasive Brain-Computer Interfaces (BCI) offer a safe and accessible means of connecting the human brain to external devices, with broad applications in home and clinical settings to enhance human capabilities. However, the high noise level and limited task-specific data in non-invasive signals constrain decoding capabilities. Recently, the adoption of self-supervised pre-training is transforming the landscape of non-invasive BCI research, enabling the development of brain foundation models to capture generic neural representations from large-scale unlabeled electroencephalography (EEG) signals with substantial noises. However, despite these advances, the field currently lacks comprehensive, practical and extensible benchmarks to assess the utility of the public foundation models across diverse BCI tasks, hindering their widespread adoption. To address this challenge, we present AdaBrain-Bench, a large-scale standardized benchmark to systematically evaluate brain foundation models in widespread non-invasive BCI tasks. AdaBrain-Bench encompasses a diverse collection of representative BCI decoding datasets spanning 7 key applications. It introduces a streamlined task adaptation pipeline integrated with multi-dimensional evaluation metrics and a set of adaptation tools. The benchmark delivers an inclusive framework for assessing generalizability of brain foundation models across key transfer settings, including cross-subject, multi-subject, and few-shot scenarios. We leverage AdaBrain-Bench to evaluate a suite of publicly available brain foundation models and offer insights into practices for selecting appropriate models in various scenarios. We make our benchmark pipeline available to enable reproducible research and external use, offering a continuously evolving platform to foster progress toward robust and generalized neural decoding solutions.
- Abstract（参考訳）: 非侵襲的なBrain-Computer Interfaces(BCI)は、人間の脳を外部デバイスに接続する安全でアクセスしやすい手段を提供する。
しかし、非侵襲信号における高雑音レベルと限られたタスク固有データにより復号化能力は制限される。
近年、自己指導型プレトレーニングの導入により、非侵襲的BCI研究の風景が変化し、脳基盤モデルの開発により、大規模な未ラベル脳波(EEG)信号から大きなノイズで汎用的な神経表現を捉えることができるようになった。
しかし、これらの進歩にもかかわらず、様々なBCIタスクにまたがる公共基盤モデルの実用性を評価するための総合的で実践的で拡張可能なベンチマークが現在欠落しており、広く採用されるのを妨げている。
この課題に対処するために、大規模な標準ベンチマークであるAdaBrain-Benchを紹介し、広範囲な非侵襲的BCIタスクにおける脳基盤モデルを体系的に評価する。
AdaBrain-Benchは、7つの主要なアプリケーションにまたがるさまざまなBCIデコードデータセットのコレクションを含んでいる。
マルチ次元評価メトリクスと適応ツールセットを統合した,合理化されたタスク適応パイプラインを導入している。
このベンチマークは、クロスオブジェクト、マルチオブジェクト、少数ショットシナリオを含むキー転送設定における脳基盤モデルの一般化性を評価するための包括的フレームワークを提供する。
AdaBrain-Benchを活用して、公開可能な脳基盤モデルのスイートを評価し、さまざまなシナリオで適切なモデルを選択するためのプラクティスに関する洞察を提供する。
私たちは、再現可能なリサーチと外部使用を可能にするために、ベンチマークパイプラインを利用可能にしています。
関連論文リスト
- CSBrain: A Cross-scale Spatiotemporal Brain Foundation Model for EEG Decoding [57.90382885533593]
脳波信号の一般化のためのクロススケール時空間脳基盤モデルを提案する。
CSBrainはタスク固有のベースラインと基盤モデルのベースラインを一貫して上回ります。
これらの結果は、CSBrainを将来の脳-AI研究の強力なバックボーンとして、重要な帰納バイアスとして、クロススケールモデリングを確立している。
論文 参考訳（メタデータ） (2025-06-29T03:29:34Z) - Bridging Brain with Foundation Models through Self-Supervised Learning [5.0273296425814635]
ファンデーションモデル(FM)は、人工知能の能力を再定義した。
これらの進歩は脳信号解析の転換の機会となる。
本調査は基礎モデルを用いて脳波の新興分野を体系的にレビューする。
論文 参考訳（メタデータ） (2025-06-19T04:03:58Z) - BrainOmni: A Brain Foundation Model for Unified EEG and MEG Signals [50.76802709706976]
異種脳波とMEG記録を対象とする脳基礎モデルBrain Omniを提案する。
多様なデータソースを統一するために、脳の活動を離散表現に定量化する最初のトークンであるBrainTokenizerを紹介します。
EEGの合計1,997時間、MEGデータの656時間は、事前トレーニングのために公開されているソースからキュレーションされ、標準化されている。
論文 参考訳（メタデータ） (2025-05-18T14:07:14Z) - PyTDC: A multimodal machine learning training, evaluation, and inference platform for biomedical foundation models [59.17570021208177]
PyTDCは、マルチモーダルな生物学的AIモデルのための合理化されたトレーニング、評価、推論ソフトウェアを提供する機械学習プラットフォームである。
本稿では、PyTDCのアーキテクチャの構成要素と、我々の知る限り、導入したシングルセルドラッグターゲットMLタスクにおける第一種ケーススタディについて論じる。
論文 参考訳（メタデータ） (2025-05-08T18:15:38Z) - Brain Foundation Models: A Survey on Advancements in Neural Signal Processing and Brain Discovery [20.558821847407895]
脳基礎モデル(BFM)は、計算神経科学における変革的パラダイムとして登場した。
BFMは大規模な事前学習技術を活用し、複数のシナリオ、タスク、モダリティを効果的に一般化することができる。
本稿では,BFMを初めて定義し,これらのモデルを様々なアプリケーションで構築・活用するための明確かつ簡潔なフレームワークを提供する。
論文 参考訳（メタデータ） (2025-03-01T18:12:50Z) - Du-IN: Discrete units-guided mask modeling for decoding speech from Intracranial Neural signals [5.283718601431859]
エレクトロコルチコグラフィー(ECoG)を用いた脳-コンピュータインタフェースは,医療応用における高性能音声復号化を約束している。
離散コーデックス誘導マスクモデリングにより,領域レベルのトークンに基づくコンテキスト埋め込みを抽出するDu-INモデルを開発した。
本モデルでは,61ワードの分類タスクにおいて,すべてのベースラインを越えながら最先端のパフォーマンスを実現する。
論文 参考訳（メタデータ） (2024-05-19T06:00:36Z) - UMBRAE: Unified Multimodal Brain Decoding [43.6339793925953]
脳信号のマルチモーダルデコードであるUMBRAEを提案する。
マルチモーダル脳アライメントのための効率的なユニバーサル脳エンコーダを提案する。
また,対象物固有の特徴を共通の特徴空間にマッピングするクロスオブジェクトトレーニング戦略も導入する。
論文 参考訳（メタデータ） (2024-04-10T17:59:20Z) - NeuroIDBench: An Open-Source Benchmark Framework for the Standardization of Methodology in Brainwave-based Authentication Research [4.9286860173040825]
脳活動に基づく生体認証システムは、パスワードに代わるものや、現在の認証技術を補完するものとして提案されている。
NeuroIDBenchは、脳波ベースの認証モデルをベンチマークするための柔軟なオープンソースツールである。
論文 参考訳（メタデータ） (2024-02-13T18:38:18Z) - NeuroBench: A Framework for Benchmarking Neuromorphic Computing Algorithms and Systems [50.076028127394366]
ニューロベンチ(NeuroBench)はニューロモルフィックコンピューティングアルゴリズムとシステムのためのベンチマークフレームワークである。
NeuroBenchは、業界や学界にまたがる研究者のオープンなコミュニティによる共同開発である。
論文 参考訳（メタデータ） (2023-04-10T15:12:09Z) - Cross-Subject Deep Transfer Models for Evoked Potentials in
Brain-Computer Interface [3.0981875303080804]
脳コンピュータインタフェース(BCI)技術は、世界中の何百万人もの人々の生活を改善する可能性がある。
この分野の進歩にもかかわらず、現在の消費者と臨床の生存率は低いままである。
論文 参考訳（メタデータ） (2023-01-29T02:11:36Z) - CorpusBrain: Pre-train a Generative Retrieval Model for
Knowledge-Intensive Language Tasks [62.22920673080208]
単一ステップ生成モデルは、検索プロセスを劇的に単純化し、エンドツーエンドで最適化することができる。
我々は、事前学習された生成検索モデルをCorpsBrainと名付け、コーパスに関する全ての情報が、追加のインデックスを構築することなく、そのパラメータにエンコードされる。
論文 参考訳（メタデータ） (2022-08-16T10:22:49Z)
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。