論文の概要: EEG Foundation Models: A Critical Review of Current Progress and Future Directions

• arxiv url: http://arxiv.org/abs/2507.11783v2
• Date: Wed, 23 Jul 2025 20:10:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-25 13:02:36.815487
• Title: EEG Foundation Models: A Critical Review of Current Progress and Future Directions
• Title（参考訳）: EEGファウンデーションモデル:現状と今後の方向性の批判的レビュー
• Authors: Gayal Kuruppu, Neeraj Wagh, Yogatheesan Varatharajah,
• Abstract要約: 自己監督型脳波エンコーダは汎用脳波基盤モデル(EEG-FM)への移行を引き起こしている 本研究は10個の脳波-FMを概説し,その方法論,経験的発見,および卓越した研究ギャップの批判的な合成について述べる。
• 参考スコア（独自算出の注目度）: 4.096453902709292
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Patterns of electrical brain activity recorded via electroencephalography (EEG) offer immense value for scientific and clinical investigations. The inability of supervised EEG encoders to learn robust EEG patterns and their over-reliance on expensive signal annotations have sparked a transition towards general-purpose self-supervised EEG encoders, i.e., EEG foundation models (EEG-FMs), for robust and scalable EEG feature extraction. However, the real-world readiness of early EEG-FMs and the rubric for long-term research progress remain unclear. A systematic and comprehensive review of first-generation EEG-FMs is therefore necessary to understand the current state-of-the-art and identify key directions for future EEG-FMs. To that end, this study reviews 10 early EEG-FMs and presents a critical synthesis of their methodology, empirical findings, and outstanding research gaps. We find that most EEG-FMs adopt a sequence-based modeling scheme that relies on transformer-based backbones and the reconstruction of masked sequences for self-supervision. However, model evaluations remain heterogeneous and largely limited, making it challenging to assess their practical off-the-shelf utility. In addition to adopting standardized and realistic evaluations, future work should demonstrate more substantial scaling effects and make principled and trustworthy choices throughout the EEG representation learning pipeline. We believe that developing benchmarks, software tools, technical methodologies, and applications in collaboration with domain experts may further advance the translational utility and real-world adoption of EEG-FMs.
• Abstract（参考訳）: 脳波(EEG)によって記録された脳活動のパターンは、科学的および臨床的研究に多大な価値をもたらす。 教師付きEEGエンコーダが、堅牢でスケーラブルなEEG特徴抽出のために、ロバストなEEGパターンを学習できないことや、高価な信号アノテーションへの依存が、汎用的な自己組織化EEGエンコーダ、すなわちEEG基盤モデル(EEG-FM)への移行を引き起こしている。 しかし、初期のEEG-FMの現実的準備性や長期研究の進展に対するルーリック性は未だ不明である。 したがって、第1世代のEEG-FMの体系的かつ包括的なレビューは、現在の最先端を理解し、将来のEEG-FMの鍵となる方向を特定する必要がある。 そこで本研究では,10個の脳波-FMを概説し,その方法論,経験的発見,および優れた研究ギャップの批判的な合成について述べる。 多くのEEG-FMは、トランスフォーマーベースのバックボーンと自己監督のためのマスク付きシーケンスの再構成に依存するシーケンスベースのモデリングスキームを採用している。 しかし、モデル評価は相変わらず、ほとんど限定的であり、実用的オフザシェルフの実用性を評価することは困難である。 標準化された現実的な評価を採用することに加えて、将来の作業はより実質的なスケーリング効果を示し、EEG表現学習パイプライン全体を通して原則的で信頼できる選択を行うべきです。 我々は、ベンチマーク、ソフトウェアツール、技術方法論、およびドメインの専門家とのコラボレーションによるアプリケーションの開発が、EEG-FMの翻訳ユーティリティと実際の採用をさらに進める可能性があると考えている。

関連論文リスト

• Simulator and Experience Enhanced Diffusion Model for Comprehensive ECG Generation [52.19347532840774]
  本稿では,心電図生成のための新しい生理シミュレータSE-Diffを提案する。 SE-Diffは、軽量常微分方程式(ODE)ベースのECGシミュレータをビートデコーダを介して拡散過程に統合する。 実世界のECGデータセットに対する大規模な実験により、SE-Diffは信号の忠実度とテキスト-ECGセマンティックアライメントの両方を改善している。
  論文  参考訳（メタデータ） (2025-11-13T02:57:10Z)
• WaveMind: Towards a Conversational EEG Foundation Model Aligned to Textual and Visual Modalities [55.00677513249723]
  脳波信号は認知過程と固有の神経状態の両方を同時に符号化する。 我々は、EEG信号とその対応するモダリティを統一意味空間にマッピングし、一般化された解釈を実現する。 結果として得られたモデルは、柔軟でオープンな会話をサポートしながら、堅牢な分類精度を示す。
  論文  参考訳（メタデータ） (2025-09-26T06:21:51Z)
• EEG-FM-Bench: A Comprehensive Benchmark for the Systematic Evaluation of EEG Foundation Models [16.433809341013113]
  EEG-FM-BenchはEEG基盤モデル(EEG-FMs)の体系的および標準化された評価のための最初の総合的なベンチマークである コントリビューションは,(1)標準のEEGパラダイムからさまざまなダウンストリームタスクとデータセットをキュレートし,統一されたオープンソースフレームワーク内で標準化された処理と評価プロトコルを実装し,(2)最先端の基盤モデルをベンチマークして,現在の展望を明確化するために総合的なベースライン結果を確立すること,(3)モデル行動の洞察を提供するための質的分析を行い,将来のアーキテクチャ設計を通知すること,の3つです。
  論文  参考訳（メタデータ） (2025-08-25T07:34:33Z)
• EEGDM: EEG Representation Learning via Generative Diffusion Model [17.595769291603688]
  生成拡散モデル(EEGDM)に基づく脳波表現学習フレームワークを提案する。 具体的には,拡散事前学習のための構造化状態空間モデルを開発し,DDPM(Denoising Diffusion Probabilistic Model)フレームワークを用いて学習を行った。 提案した潜時核融合変換器 (LFT) を用いた下流分類作業において, 得られた潜時脳波表現を用いた。
  論文  参考訳（メタデータ） (2025-08-13T14:40:52Z)
• 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)
• A Simple Review of EEG Foundation Models: Datasets, Advancements and Future Perspectives [6.377263838338411]
  脳波基礎モデル(EEG-FM)の最近の発展に焦点をあてて EEG-FMは、EEGデータの処理と分析に大きな可能性を示している。
  論文  参考訳（メタデータ） (2025-04-24T14:14:17Z)
• Large Cognition Model: Towards Pretrained EEG Foundation Model [0.0]
  多様な脳波データセットと下流タスクをまたいだ一般化を目的としたトランスフォーマーベース基盤モデルを提案する。 本研究は, 神経科学, パーソナライズドメディカル, およびBCI技術の進歩を促進するための, 事前学習型脳波基盤モデルの可能性を明らかにするものである。
  論文  参考訳（メタデータ） (2025-02-11T04:28:10Z)
• Comprehensive Review of EEG-to-Output Research: Decoding Neural Signals into Images, Videos, and Audio [0.0]
  機械学習と生成モデリングの最近の進歩は、知覚経験の再構築における脳波の応用を触媒している。 本稿では,脳波から出力までの研究を体系的にレビューし,最先端のジェネレーティブ手法,評価指標,データ課題に焦点をあてる。
  論文  参考訳（メタデータ） (2024-12-28T03:50:56Z)
• CognitionCapturer: Decoding Visual Stimuli From Human EEG Signal With Multimodal Information [61.1904164368732]
  脳波信号の表現にマルチモーダルデータを完全に活用する統合フレームワークであるCognitionCapturerを提案する。 具体的には、CognitionCapturerは、各モダリティに対してモダリティエキスパートを訓練し、EEGモダリティからモダリティ情報を抽出する。 このフレームワークは生成モデルの微調整を一切必要とせず、より多くのモダリティを組み込むように拡張することができる。
  論文  参考訳（メタデータ） (2024-12-13T16:27:54Z)
• GEFM: Graph-Enhanced EEG Foundation Model [16.335330142000657]
  ファンデーションモデルは、事前トレーニングを通じて大規模なラベルなしデータを活用することで、有望なソリューションを提供する。 本稿では,時間情報とチャネル間情報を統合した新しい脳波基盤モデルであるグラフ拡張脳波基礎モデル(GEFM)を提案する。 我々のアーキテクチャはグラフニューラルネットワーク(GNN)とマスク付きオートエンコーダを組み合わせることで,効率的な事前学習を実現する。
  論文  参考訳（メタデータ） (2024-11-29T06:57:50Z)
• EEGPT: Unleashing the Potential of EEG Generalist Foundation Model by Autoregressive Pre-training [9.57946371147345]
  EEGPTはこれらの課題に対処するために設計された最初の一般のEEG基盤モデルである。 まず,各電極を基本単位として扱う電極ワイド・モデリング手法を提案する。 第2に、最初の自己回帰型脳波事前学習モデルを開発する。 第3に,学習可能な電極グラフネットワークを用いたマルチタスク転送学習パラダイムを提案する。
  論文  参考訳（メタデータ） (2024-10-14T12:17:54Z)
• Enhancing EEG-to-Text Decoding through Transferable Representations from Pre-trained Contrastive EEG-Text Masked Autoencoder [69.7813498468116]
  コントラスト型脳波テキストマスケード自動エンコーダ(CET-MAE)を提案する。 また、E2T-PTR(Pretrained Transferable Representationsを用いたEEG-to-Text decoding)と呼ばれるフレームワークを開発し、EEGシーケンスからテキストをデコードする。
  論文  参考訳（メタデータ） (2024-02-27T11:45:21Z)
• CSLP-AE: A Contrastive Split-Latent Permutation Autoencoder Framework for Zero-Shot Electroencephalography Signal Conversion [49.1574468325115]
  脳波分析の鍵となる目的は、基礎となる神経活動(コンテンツ)を抽出し、個体の変動(スタイル)を考慮することである。 近年の音声変換技術の発展に触発されて,脳波変換を直接最適化するCSLP-AEフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-11-13T22:46:43Z)
• Task-oriented Self-supervised Learning for Anomaly Detection in Electroencephalography [51.45515911920534]
  タスク指向型自己教師型学習手法を提案する。 大きなカーネルを持つ特定の2つの分岐畳み込みニューラルネットワークを特徴抽出器として設計する。 効果的に設計され、訓練された特徴抽出器は、より優れた特徴表現を脳波から抽出できることが示されている。
  論文  参考訳（メタデータ） (2022-07-04T13:15:08Z)
• EEG-Inception: An Accurate and Robust End-to-End Neural Network for EEG-based Motor Imagery Classification [123.93460670568554]
  本稿では,脳波に基づく運動画像(MI)分類のための新しい畳み込みニューラルネットワーク(CNN)アーキテクチャを提案する。 提案したCNNモデル、すなわちEEG-Inceptionは、Inception-Timeネットワークのバックボーン上に構築されている。 提案するネットワークは、生のEEG信号を入力とし、複雑なEEG信号前処理を必要としないため、エンドツーエンドの分類である。
  論文  参考訳（メタデータ） (2021-01-24T19:03:10Z)

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。