論文の概要: A Dataset Generation Scheme Based on Video2EEG-SPGN-Diffusion for SEED-VD

• arxiv url: http://arxiv.org/abs/2509.05321v1
• Date: Sat, 30 Aug 2025 10:52:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-09 14:07:03.422306
• Title: A Dataset Generation Scheme Based on Video2EEG-SPGN-Diffusion for SEED-VD
• Title（参考訳）: SEED-VDのためのビデオ2EEG-SPGN拡散に基づくデータセット生成方式
• Authors: Yunfei Guo, Tao Zhang, Wu Huang, Yao Song,
• Abstract要約: Video2EEG-SPGN-Diffusionは、ビデオ刺激で条件付けられた脳波信号のマルチモーダルデータセットを生成するためのフレームワークである。 62チャネルの脳波信号を200Hzで生成したSEED-VDビデオ刺激の1000以上のサンプルからなる新しいデータセットをリリースする。
• 参考スコア（独自算出の注目度）: 7.130026088898244
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper introduces an open-source framework, Video2EEG-SPGN-Diffusion, that leverages the SEED-VD dataset to generate a multimodal dataset of EEG signals conditioned on video stimuli. Additionally, we disclose an engineering pipeline for aligning video and EEG data pairs, facilitating the training of multimodal large models with EEG alignment capabilities. Personalized EEG signals are generated using a self-play graph network (SPGN) integrated with a diffusion model. As a major contribution, we release a new dataset comprising over 1000 samples of SEED-VD video stimuli paired with generated 62-channel EEG signals at 200 Hz and emotion labels, enabling video-EEG alignment and advancing multimodal research. This framework offers novel tools for emotion analysis, data augmentation, and brain-computer interface applications, with substantial research and engineering significance.
• Abstract（参考訳）: 本稿では、SEED-VDデータセットを活用して、ビデオ刺激で条件付けられた脳波信号のマルチモーダルデータセットを生成する、オープンソースのフレームワークであるVideo2EEG-SPGN-Diffusionを紹介する。 さらに、ビデオとEEGデータペアの調整のためのエンジニアリングパイプラインを公開し、EEGアライメント機能を備えたマルチモーダルな大規模モデルのトレーニングを容易にする。 拡散モデルと統合された自己再生グラフネットワーク(SPGN)を用いて、パーソナライズされた脳波信号を生成する。 主な貢献として、200Hzで生成された62チャネル脳波信号と、感情ラベルを組み合わせて、1000以上のSEED-VDビデオ刺激のサンプルからなる新しいデータセットをリリースし、ビデオ-EEGアライメントとマルチモーダル研究の進展を可能にした。 このフレームワークは、感情分析、データ拡張、脳-コンピュータインターフェースアプリケーションのための新しいツールを提供し、かなりの研究と工学的重要性がある。

関連論文リスト

• EEGDM: Learning EEG Representation with Latent Diffusion Model [26.237067291138246]
  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。
  論文  参考訳（メタデータ） (2025-08-28T12:23:28Z)
• EEG2GAIT: A Hierarchical Graph Convolutional Network for EEG-based Gait Decoding [8.529597745689195]
  脳波信号からの歩行動態の復号化は、運動過程の複雑な空間依存性に起因する重要な課題である。 脳波チャネルのマルチレベル空間埋め込みをキャプチャする新しい階層グラフベースモデルであるEEG2GAITを提案する。 また,2回の研究室訪問で50名の被験者から収集した脳波と下肢関節角度データを組み合わせたGait-EEGデータセットを新たに提供した。
  論文  参考訳（メタデータ） (2025-04-02T07:48:21Z)
• CEReBrO: Compact Encoder for Representations of Brain Oscillations Using Efficient Alternating Attention [53.539020807256904]
  交互注意(CEReBrO)を用いた脳振動の表現のための圧縮法について紹介する。 トークン化方式は、チャネルごとのパッチで脳波信号を表現します。 本研究では,チャネル内時間的ダイナミックスとチャネル間空間的相関を共同でモデル化し,通常の自己アテンションに比べて6倍少ないメモリで2倍の速度向上を実現するための注意機構を提案する。
  論文  参考訳（メタデータ） (2025-01-18T21:44:38Z)
• 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 Signal Generation through a Hybrid Approach Integrating Reinforcement Learning and Diffusion Models [6.102274021710727]
  本研究では、拡散モデルと強化学習を統合することにより、脳波(EEG)信号の合成に革新的なアプローチを導入する。 提案手法は, 時間的・スペクトル的特徴の詳細な脳波信号の生成を促進させ, 合成データセットの信頼性と多様性を向上する。
  論文  参考訳（メタデータ） (2024-09-14T07:22:31Z)
• 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。