論文の概要: Fine-Tuning Large Language Models Using EEG Microstate Features for Mental Workload Assessment

• arxiv url: http://arxiv.org/abs/2508.07283v1
• Date: Sun, 10 Aug 2025 10:43:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-12 21:23:28.787689
• Title: Fine-Tuning Large Language Models Using EEG Microstate Features for Mental Workload Assessment
• Title（参考訳）: メンタルワークロード評価のための脳波マイクロステート特徴を用いた微調整大言語モデル
• Authors: Bujar Raufi,
• Abstract要約: 本研究では,脳波マイクロステートと大規模言語モデル(LLM)の交わりについて検討する。 この研究は、異なる認知状態、特に「Rest」と「Load」の予測を改善するためにLSMを微調整することを目的としている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: This study explores the intersection of electroencephalography (EEG) microstates and Large Language Models (LLMs) to enhance the assessment of cognitive load states. By utilizing EEG microstate features, the research aims to fine-tune LLMs for improved predictions of distinct cognitive states, specifically 'Rest' and 'Load'. The experimental design is delineated in four comprehensive stages: dataset collection and preprocessing, microstate segmentation and EEG backfitting, feature extraction paired with prompt engineering, and meticulous LLM model selection and refinement. Employing a supervised learning paradigm, the LLM is trained to identify cognitive load states based on EEG microstate features integrated into prompts, producing accurate discrimination of cognitive load. A curated dataset, linking EEG features to specified cognitive load conditions, underpins the experimental framework. The results indicate a significant improvement in model performance following the proposed fine-tuning, showcasing the potential of EEG-informed LLMs in cognitive neuroscience and cognitive AI applications. This approach not only contributes to the understanding of brain dynamics but also paves the way for advancements in machine learning techniques applicable to cognitive load and cognitive AI research.
• Abstract（参考訳）: 本研究では,脳波マイクロステート(EEG)とLarge Language Model(LLM)の交点を探索し,認知負荷状態の評価を強化する。 脳波マイクロステートの特徴を利用することで、異なる認知状態、特に「Rest」と「Load」の予測を改善するためにLSMを微調整することを目的としている。 実験的な設計は、データセットの収集と前処理、マイクロステートのセグメンテーションとEEGのバックフィッティング、迅速なエンジニアリングと組み合わせた特徴抽出、巧妙なLCMモデル選択と改善の4つの総合的な段階にまとめられている。 教師付き学習パラダイムを用いることで、LLMは、プロンプトに統合されたEEGマイクロステート機能に基づいて認知負荷状態の識別を訓練し、認知負荷の正確な識別を可能にします。 EEG機能を特定の認知的負荷条件にリンクするキュレートデータセットは、実験フレームワークの基盤となっている。 その結果,認知神経科学および認知AI応用における脳波インフォームドLEMの可能性を示す微調整によるモデル性能の大幅な向上が示唆された。 このアプローチは、脳のダイナミクスの理解に寄与するだけでなく、認知負荷や認知AI研究に適用可能な機械学習技術の進歩にも寄与する。

関連論文リスト

• A brain-inspired generative model for EEG-based cognitive state identification [6.187646941506353]
  本稿では、インパルスアテンションニューラルネットワークと変分オートエンコーダを融合した脳誘発生成モデルを提案する。 勾配に基づく学習とヘテロ連想記憶を統合することによってモデルを訓練するためのハイブリッド学習法を提案する。 実験の結果,BIGモデルでは,最先端手法に匹敵する89%以上の分類精度が得られた。
  論文  参考訳（メタデータ） (2025-05-03T04:29:27Z)
• 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)
• 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)
• Reasoning-Enhanced Healthcare Predictions with Knowledge Graph Community Retrieval [61.70489848327436]
  KAREは、知識グラフ(KG)コミュニティレベルの検索と大規模言語モデル(LLM)推論を統合する新しいフレームワークである。 MIMIC-IIIでは最大10.8～15.0%、MIMIC-IVでは12.6～12.7%である。
  論文  参考訳（メタデータ） (2024-10-06T18:46:28Z)
• Feature Estimation of Global Language Processing in EEG Using Attention Maps [5.173821279121835]
  本研究は,脳波の特徴推定に新たなアプローチを導入し,深層学習モデルの重みを利用してその関連を探索する。 視覚変換器とEEGNetから生成したアテンションマップは,従来の研究結果と一致した特徴を効果的に同定できることを実証する。 ViTsを用いたMel-Spectrogramの適用により、時間および周波数関連脳波特性の分解能が向上する。
  論文  参考訳（メタデータ） (2024-09-27T22:52:31Z)
• Cognitive LLMs: Towards Integrating Cognitive Architectures and Large Language Models for Manufacturing Decision-making [51.737762570776006]
  LLM-ACTRは、ヒトに適応し、多目的な意思決定を提供する新しいニューロシンボリックアーキテクチャである。 我々のフレームワークは、ACT-Rの内部決定過程の知識を潜在神経表現として抽出し、組み込む。 デザイン・フォー・マニュファクチャリング・タスクに関する我々の実験は、タスク性能の向上と基礎的意思決定能力の向上を両立させたものである。
  論文  参考訳（メタデータ） (2024-08-17T11:49:53Z)
• Exploring the Cognitive Knowledge Structure of Large Language Models: An Educational Diagnostic Assessment Approach [50.125704610228254]
  大規模言語モデル(LLM)は、様々なタスクにまたがる例外的なパフォーマンスを示すだけでなく、知性の火花も示している。 近年の研究では、人間の試験における能力の評価に焦点が当てられ、異なる領域における彼らの印象的な能力を明らかにしている。 ブルーム分類に基づく人体検査データセットであるMoocRadarを用いて評価を行った。
  論文  参考訳（メタデータ） (2023-10-12T09:55:45Z)
• A Knowledge-Driven Cross-view Contrastive Learning for EEG Representation [48.85731427874065]
  本稿では,限られたラベルを持つ脳波から効果的な表現を抽出する知識駆動型クロスビューコントラスト学習フレームワーク(KDC2)を提案する。 KDC2法は脳波信号の頭皮と神経のビューを生成し、脳活動の内部および外部の表現をシミュレートする。 ニューラル情報整合性理論に基づく事前のニューラル知識をモデル化することにより、提案手法は不変かつ相補的なニューラル知識を抽出し、複合表現を生成する。
  論文  参考訳（メタデータ） (2023-09-21T08:53:51Z)
• EEG-based Cognitive Load Classification using Feature Masked Autoencoding and Emotion Transfer Learning [13.404503606887715]
  脳波(EEG)を用いた認知負荷の新しい分類法を提案する。 感情関連脳波データセットの自己教師付きマスクによる自動エンコーディングを用いて、我々のモデルを事前学習する。 実験の結果,提案手法は従来の単段階完全教師付き学習よりも優れた結果が得られることがわかった。
  論文  参考訳（メタデータ） (2023-08-01T02:59:19Z)
• Uncovering the structure of clinical EEG signals with self-supervised learning [64.4754948595556]
  教師付き学習パラダイムは、しばしば利用可能なラベル付きデータの量によって制限される。 この現象は脳波(EEG)などの臨床関連データに特に問題となる。 ラベルのないデータから情報を抽出することで、ディープニューラルネットワークとの競合性能に到達することができるかもしれない。
  論文  参考訳（メタデータ） (2020-07-31T14:34:47Z)

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。