論文の概要: MENDR: Manifold Explainable Neural Data Representations

• arxiv url: http://arxiv.org/abs/2508.04956v1
• Date: Thu, 07 Aug 2025 00:55:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-08 18:59:39.678042
• Title: MENDR: Manifold Explainable Neural Data Representations
• Title（参考訳）: MENDR: 説明可能なニューラルネットワーク表現
• Authors: Matthew Chen, Micky Nnamdi, Justin Shao, Andrew Hornback, Hongyun Huang, Ben Tamo, Yishan Zhong, Benoit Marteau, Wenqi Shi, May Dongmei Wang,
• Abstract要約: 本稿では,MENDR(Manifold Explainable Neural Data Representations)を提案する。 EEGファウンデーションモデルは、事前学習、下流の微調整、学習された表現の解釈可能性における透明性を保証する必要がある。 MENDRは極めて少ないパラメータでほぼ最先端の性能を達成し, 効率的, 解釈可能, 臨床応用可能な脳波解析の可能性を明らかにする。
• 参考スコア（独自算出の注目度）: 2.8415554351536607
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Foundation models for electroencephalography (EEG) signals have recently demonstrated success in learning generalized representations of EEGs, outperforming specialized models in various downstream tasks. However, many of these models lack transparency in their pretraining dynamics and offer limited insight into how well EEG information is preserved within their embeddings. For successful clinical integration, EEG foundation models must ensure transparency in pretraining, downstream fine-tuning, and the interpretability of learned representations. Current approaches primarily operate in the temporal domain, overlooking advancements in digital signal processing that enable the extraction of deterministic and traceable features, such as wavelet-based representations. We propose MENDR (Manifold Explainable Neural Data Representations), a filter bank-based EEG foundation model built on a novel Riemannian Manifold Transformer architecture to resolve these issues. MENDR learns symmetric positive definite matrix embeddings of EEG signals and is pretrained on a large corpus comprising over 4,000 hours of EEG data, decomposed via discrete wavelet packet transforms into multi-resolution coefficients. MENDR significantly enhances interpretability by visualizing symmetric positive definite embeddings as geometric ellipsoids and supports accurate reconstruction of EEG signals from learned embeddings. Evaluations across multiple clinical EEG tasks demonstrate that MENDR achieves near state-of-the-art performance with substantially fewer parameters, underscoring its potential for efficient, interpretable, and clinically applicable EEG analysis.
• Abstract（参考訳）: 脳波の基礎モデル(EEG)は、最近、脳波の一般化表現の学習に成功し、様々な下流タスクにおいて特殊モデルを上回っている。 しかし、これらのモデルの多くは、事前訓練された力学において透明性に欠けており、脳波情報の埋め込み内での保存性について限定的な洞察を与えている。 臨床統合を成功させるためには、脳波基礎モデルは、事前訓練、下流の微調整、学習された表現の解釈可能性の透明性を確保する必要がある。 現在のアプローチは主に時間領域で運用されており、ウェーブレットベースの表現のような決定論的かつトレーサブルな特徴の抽出を可能にするデジタル信号処理の進歩を見越している。 MENDR(Manifold Explainable Neural Data Representations)は,新しいRiemannian Manifold Transformerアーキテクチャ上に構築されたフィルタバンクベースのEEG基盤モデルである。 MENDRは、EEG信号の対称正定行列埋め込みを学習し、4000時間以上のEEGデータからなる大きなコーパスに事前訓練され、離散ウェーブレットパケット変換によって多重分解係数に分解される。 MENDRは、対称正定値埋め込みを幾何学的楕円体として可視化することで解釈可能性を大幅に向上させ、学習した埋め込みから脳波信号の正確な再構成を支援する。 複数の臨床脳波のタスクに対する評価は、MENDRが極めて少ないパラメータで最先端のパフォーマンスを達成し、効率、解釈可能、臨床応用可能な脳波分析の可能性を強調していることを示している。

関連論文リスト

• CRIA: A Cross-View Interaction and Instance-Adapted Pre-training Framework for Generalizable EEG Representations [52.251569042852815]
  CRIAは、可変長および可変チャネルコーディングを使用して、異なるデータセット間でEEGデータの統一表現を実現する適応フレームワークである。 このモデルでは、時間的、スペクトル的、空間的特徴を効果的に融合させるクロスアテンション機構を採用している。 テンプル大学脳波コーパスとCHB-MITデータセットによる実験結果から、CRIAは既存の方法よりも、同じ事前学習条件で優れていることが示された。
  論文  参考訳（メタデータ） (2025-06-19T06:31:08Z)
• 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)
• 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)
• Comparative Analysis of Deep Learning Approaches for Harmful Brain Activity Detection Using EEG [7.766736511616383]
  発作や周期的な放電などの有害な脳活動の分類は、神経クリティカルケアにおいて重要な役割を果たす。 脳波は脳活動を監視する非侵襲的な方法を提供するが、脳波信号の手動による解釈は時間がかかり、専門家の判断に大きく依存している。 本研究では、有害脳活動の分類に応用したCNN、視覚変換器(ViT)、EEGNetを含むディープラーニングアーキテクチャの比較分析を行った。
  論文  参考訳（メタデータ） (2024-12-10T19:27:19Z)
• Enhancing Angular Resolution via Directionality Encoding and Geometric Constraints in Brain Diffusion Tensor Imaging [70.66500060987312]
  拡散強調画像(DWI)は、水分子の拡散率に感応した磁気共鳴イメージング(MRI)の一種である。 本研究はDirGeo-DTIを提案する。DirGeo-DTIは、勾配方向の最小理論数(6)で得られたDWIの集合からでも、信頼できるDTIメトリクスを推定する深層学習に基づく手法である。
  論文  参考訳（メタデータ） (2024-09-11T11:12:26Z)
• Geodesic Optimization for Predictive Shift Adaptation on EEG data [53.58711912565724]
  ドメイン適応メソッドは、$X$と$y$で分散シフトが同時に発生したときに苦労する。 本稿では,GOPSA(Geodesic Optimization for Predictive Shift Adaptation)と呼ばれる新しい手法を提案する。 GOPSAは、脳波のバイオメディカル応用のための混合効果モデリングと機械学習を併用する可能性を持っている。
  論文  参考訳（メタデータ） (2024-07-04T12:15:42Z)
• Synthesizing Multimodal Electronic Health Records via Predictive Diffusion Models [69.06149482021071]
  EHRPDと呼ばれる新しいEHRデータ生成モデルを提案する。 時間間隔推定を組み込んだ拡散モデルである。 我々は2つの公開データセットで実験を行い、忠実さ、プライバシー、実用性の観点からEPHPDを評価する。
  論文  参考訳（メタデータ） (2024-06-20T02:20:23Z)
• DGSD: Dynamical Graph Self-Distillation for EEG-Based Auditory Spatial Attention Detection [49.196182908826565]
  AAD(Auditory Attention Detection)は、マルチスピーカー環境で脳信号からターゲット話者を検出することを目的としている。 現在のアプローチは主に、画像のようなユークリッドデータを処理するために設計された従来の畳み込みニューラルネットワークに依存している。 本稿では、入力として音声刺激を必要としないAADのための動的グラフ自己蒸留(DGSD)手法を提案する。
  論文  参考訳（メタデータ） (2023-09-07T13:43:46Z)
• CLEEGN: A Convolutional Neural Network for Plug-and-Play Automatic EEG Reconstruction [1.6999370482438731]
  脳波自動再構成のための新しい畳み込みニューラルネットワークであるCLEEGNを提案する。 CLEEGNの性能は、波形観測、再構成誤差評価、復号精度などの複数の評価値を用いて検証した。 我々は、CLEEGNの広範囲な応用を、オンラインのプラグアンドプレイ脳波復号と分析の今後の研究に期待する。
  論文  参考訳（メタデータ） (2022-10-12T07:56:09Z)
• MAtt: A Manifold Attention Network for EEG Decoding [0.966840768820136]
  多様体注意ネットワーク(mAtt)を特徴とする脳波復号のための新しい幾何学的学習(GDL)モデルを提案する。 時間同期EEGデータセットと非同期EEGデータセットの両方におけるMAttの評価は、一般的なEEGデコーディングのための他の主要なDLメソッドよりも優れていることを示唆している。
  論文  参考訳（メタデータ） (2022-10-05T02:26:31Z)
• EEG-based Cross-Subject Driver Drowsiness Recognition with an Interpretable Convolutional Neural Network [0.0]
  我々は,新しい畳み込みニューラルネットワークと解釈手法を組み合わせることで,分類の重要な特徴のサンプルワイズ分析を可能にする。 その結果,11名の被験者に対して平均78.35%の精度が得られた。
  論文  参考訳（メタデータ） (2021-05-30T14:47:20Z)

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。