論文の概要: EEGDM: Learning EEG Representation with Latent Diffusion Model

• arxiv url: http://arxiv.org/abs/2508.20705v1
• Date: Thu, 28 Aug 2025 12:23:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-29 18:12:02.377818
• Title: EEGDM: Learning EEG Representation with Latent Diffusion Model
• Title（参考訳）: EEGDM:潜在拡散モデルによる脳波表現の学習
• Authors: Shaocong Wang, Tong Liu, Ming Li, Minjing Yu, Yong-Jin Liu,
• Abstract要約: 潜在拡散モデルに基づく新しい自己教師型脳波表現学習法であるEEGDMを提案する。 EEGDMは、EEG信号を蒸留するEEGエンコーダと、そのチャネル拡張をコンパクトな表現に組み込む。 実験結果から,EEGDMは高品質な脳波信号を再構成し,ロバストな表現を効果的に学習し,適度な事前学習データサイズで競合性能を得ることができた。
• 参考スコア（独自算出の注目度）: 26.237067291138246
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: While electroencephalography (EEG) signal analysis using deep learning has shown great promise, existing approaches still face significant challenges in learning generalizable representations that perform well across diverse tasks, particularly when training data is limited. Current EEG representation learning methods including EEGPT and LaBraM typically rely on simple masked reconstruction objective, which may not fully capture the rich semantic information and complex patterns inherent in EEG signals. In this paper, we propose EEGDM, a novel self-supervised EEG representation learning method based on the latent diffusion model, which leverages EEG signal generation as a self-supervised objective, turning the diffusion model into a strong representation learner capable of capturing EEG semantics. EEGDM incorporates an EEG encoder that distills EEG signals and their channel augmentations into a compact representation, acting as conditional information to guide the diffusion model for generating EEG signals. This design endows EEGDM with a compact latent space, which not only offers ample control over the generative process but also can be leveraged for downstream tasks. Experimental results show that EEGDM (1) can reconstruct high-quality EEG signals, (2) effectively learns robust representations, and (3) achieves competitive performance with modest pre-training data size across diverse downstream tasks, underscoring its generalizability and practical utility.
• Abstract（参考訳）: 深層学習を用いた脳波信号解析(EEG)は大きな可能性を秘めているが、既存のアプローチでは、特に訓練データに制限がある場合、様々なタスクでうまく機能する一般化可能な表現を学習する上で大きな課題に直面している。 EEGPTやLaBraMを含む現在の脳波表現学習法は、一般的に単純なマスク付き再構成目標に依存しており、脳波信号に固有の豊富な意味情報や複雑なパターンを十分に捉えていない。 本稿では,潜在拡散モデルに基づく新しい自己教師型脳波表現学習法であるEEGDMを提案する。 EEGDMは、EEG信号とそのチャネル拡張をコンパクトな表現に蒸留するEEGエンコーダを組み込み、EEG信号を生成する拡散モデルを誘導する条件情報として機能する。 この設計はEEGDMにコンパクトな潜在空間を与え、生成プロセスに対する十分な制御を提供するだけでなく、下流タスクにも活用することができる。 実験結果から,EEGDM(1)は高品質な脳波信号を再構成し,(2)頑健な表現を効果的に学習し,(3)様々な下流タスクにまたがる適度な事前学習データサイズとの競争性能を達成し,その一般化性と実用性を実証した。

関連論文リスト

• 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,デノイング拡散確率モデルを用いてモデルを訓練した。 得られた潜在脳波表現は、提案した潜伏核融合変換器を介して下流分類タスクに使用される。
  論文  参考訳（メタデータ） (2025-08-13T14:40:52Z)
• 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)
• 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)
• EEG2Rep: Enhancing Self-supervised EEG Representation Through Informative Masked Inputs [4.028059312496666]
  本稿では,脳波からの自己教師型表現学習のための自己予測手法であるtextitEEG2Repを紹介する。 生の脳波からマスク入力を予測する代わりに、EEG2Repは潜在表現空間におけるマスク入力を予測する。 EEG2Repは、EEGデータに存在する重要な課題に対処するノイズに対して堅牢である。
  論文  参考訳（メタデータ） (2024-02-17T05:22:41Z)
• 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)
• GANSER: A Self-supervised Data Augmentation Framework for EEG-based Emotion Recognition [15.812231441367022]
  本稿では,GANSER(Generative Adversarial Network-based Self-supervised Data Augmentation)という新しいデータ拡張フレームワークを提案する。 脳波に基づく感情認識のための自己教師型学習と対人訓練を併用する最初の試みとして、提案フレームワークは高品質な模擬脳波サンプルを生成することができる。 変換関数は、脳波信号の一部を隠蔽し、生成元に残りの部分に基づいて潜在的な脳波信号を合成させる。
  論文  参考訳（メタデータ） (2021-09-07T14:42:55Z)

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。