論文の概要: CoSupFormer : A Contrastive Supervised learning approach for EEG signal Classification

• arxiv url: http://arxiv.org/abs/2509.20489v1
• Date: Wed, 24 Sep 2025 19:04:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-26 20:58:12.549022
• Title: CoSupFormer : A Contrastive Supervised learning approach for EEG signal Classification
• Title（参考訳）: CoSupFormer : 脳波信号分類のための対照的な教師付き学習手法
• Authors: D. Darankoum, C. Habermacher, J. Volle, S. Grudinin,
• Abstract要約: 脳波信号は、脳の状態を理解するのに不可欠な豊富なマルチスケール情報を含んでいる。 ノイズやチャネルの変動を処理しながら、生の脳波信号から有意義な特徴を抽出することは、依然として大きな課題である。 この研究は、これらの問題にいくつかの重要なイノベーションを通じて対処する、新しいエンドツーエンドのディープラーニングフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Electroencephalography signals (EEGs) contain rich multi-scale information crucial for understanding brain states, with potential applications in diagnosing and advancing the drug development landscape. However, extracting meaningful features from raw EEG signals while handling noise and channel variability remains a major challenge. This work proposes a novel end-to-end deep-learning framework that addresses these issues through several key innovations. First, we designed an encoder capable of explicitly capturing multi-scale frequency oscillations covering a wide range of features for different EEG-related tasks. Secondly, to model complex dependencies and handle the high temporal resolution of EEGs, we introduced an attention-based encoder that simultaneously learns interactions across EEG channels and within localized {\em patches} of individual channels. We integrated a dedicated gating network on top of the attention encoder to dynamically filter out noisy and non-informative channels, enhancing the reliability of EEG data. The entire encoding process is guided by a novel loss function, which leverages supervised and contrastive learning, significantly improving model generalization. We validated our approach in multiple applications, ranging from the classification of effects across multiple Central Nervous System (CNS) disorders treatments to the diagnosis of Parkinson's and Alzheimer's disease. Our results demonstrate that the proposed learning paradigm can extract biologically meaningful patterns from raw EEG signals across different species, autonomously select high-quality channels, and achieve robust generalization through innovative architectural and loss design.
• Abstract（参考訳）: 脳波信号(EEG)は、脳の状態を理解するのに不可欠な豊富なマルチスケール情報を含み、薬物開発現場の診断と進展に応用できる可能性がある。 しかし、ノイズやチャネル変動を処理しながら生の脳波信号から有意義な特徴を抽出することは大きな課題である。 この研究は、これらの問題にいくつかの重要なイノベーションを通じて対処する、新しいエンドツーエンドのディープラーニングフレームワークを提案する。 まず、脳波関連タスクの幅広い機能をカバーするマルチスケール周波数発振を明示的にキャプチャできるエンコーダを設計した。 第二に、複雑な依存関係をモデル化し、脳波の高時間分解能を扱うために、脳波チャンネルと個別チャネルの局所化パッチ内での相互作用を同時に学習するアテンションベースのエンコーダを導入しました。 我々は、アテンションエンコーダ上に専用のゲーティングネットワークを統合し、ノイズや非インフォーマティブなチャネルを動的にフィルタリングし、脳波データの信頼性を高めた。 符号化プロセス全体は、教師付きおよび対照的な学習を活用し、モデル一般化を大幅に改善する新規な損失関数によってガイドされる。 複数の中枢神経系障害 (CNS) の治療効果の分類からパーキンソン病, アルツハイマー病の診断まで, 様々な分野でアプローチを検証した。 提案した学習パラダイムは,異なる種にわたる生の脳波信号から生物学的に意味のあるパターンを抽出し,高品質なチャネルを自律的に選択し,革新的なアーキテクチャと損失設計を通じて堅牢な一般化を実現することができることを示す。

関連論文リスト

• A Novel Data Augmentation Strategy for Robust Deep Learning Classification of Biomedical Time-Series Data: Application to ECG and EEG Analysis [2.355460994057843]
  本研究では,様々な信号タイプにまたがる最先端性能を実現する,新しい統合型深層学習フレームワークを提案する。 従来の研究とは異なり、将来予測能力を達成するために信号の複雑さを科学的に増加させ、最高の予測を導いた。 アーキテクチャには130MBのメモリとプロセスが10ミリ秒で必要であり、ローエンドデバイスやウェアラブルデバイスへのデプロイに適していることを示唆している。
  論文  参考訳（メタデータ） (2025-07-16T21:38:10Z)
• Biaxialformer: Leveraging Channel Independence and Inter-Channel Correlations in EEG Signal Decoding for Predicting Neurological Outcomes [1.7656489005289302]
  脳波信号の正確な復号には、個々のチャネル内の時間的ダイナミクスとチャネル間の空間的依存関係の両方をモデル化する必要がある。 チャネル独立性(CI)戦略を利用したトランスフォーマーベースモデルは,様々な時系列タスクにおいて高い性能を示した。 本稿では,2段階の注意に基づくフレームワークを巧みに設計したBiformerを提案する。
  論文  参考訳（メタデータ） (2025-06-18T11:47:26Z)
• 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)
• A Multi-Resolution Mutual Learning Network for Multi-Label ECG Classification [11.105845244103506]
  本稿では,Multi-Resolution Mutual Learning Network (MRM-Net)を提案する。 MRM-Netはデュアルレゾリューションアテンションアーキテクチャと機能補完機構を備えている。 マルチラベルのECG分類性能において、既存の手法よりも大幅に優れています。
  論文  参考訳（メタデータ） (2024-06-12T13:40:03Z)
• 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)
• ASCNet-ECG: Deep Autoencoder based Attention aware Skip Connection network for ECG filtering [0.0]
  本研究は,ECG信号フィルタリングのための深層学習方式を提案する。 データはエンコーダ層とデコーダ層を介して処理され、ノイズを除去して再構成される。 提案アーキテクチャは、属性の学習を改善するために改良されたReLU関数を使用する。
  論文  参考訳（メタデータ） (2023-03-28T13:23:03Z)
• 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。