Fugu-MT 論文翻訳(概要): EEGDM: Learning EEG Representation with Latent Diffusion Model

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

E^2-LLM: Bridging Neural Signals and Interpretable Affective Analysis [54.763420895859035]
脳波からの感情分析のための最初のMLLMフレームワークであるELLM2-EEG-to-Emotion Large Language Modelを提案する。 ELLMは学習可能なプロジェクション層を通じて、トレーニング済みのEEGエンコーダとQベースのLLMを統合し、マルチステージのトレーニングパイプラインを使用する。 7つの感情カテゴリーにまたがるデータセット実験により, ELLM2-EEG-to-Emotion Large Language Modelは感情分類において優れた性能を発揮することが示された。
論文参考訳（メタデータ） (2026-01-11T13:21:20Z)
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)
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)
MENDR: Manifold Explainable Neural Data Representations [2.8415554351536607]
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。
論文参考訳（メタデータ） (2025-08-07T00:55:05Z)
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)
EEGFormer: Towards Transferable and Interpretable Large-Scale EEG Foundation Model [39.363511340878624]
大規模複合脳波データに基づいて事前学習した脳波基礎モデル,すなわちEEGFormerを提案する。本モデルの有効性を検証するため,様々な下流タスクにおいて広範囲に評価し,異なる転送条件下での性能を評価する。
論文参考訳（メタデータ） (2024-01-11T17:36:24Z)
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)
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。