論文の概要: BrainPro: Towards Large-scale Brain State-aware EEG Representation Learning

• arxiv url: http://arxiv.org/abs/2509.22050v1
• Date: Fri, 26 Sep 2025 08:34:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-29 20:57:54.301759
• Title: BrainPro: Towards Large-scale Brain State-aware EEG Representation Learning
• Title（参考訳）: BrainPro: 大規模脳状態認識型脳波表現学習を目指して
• Authors: Yi Ding, Muyun Jiang, Weibang Jiang, Shuailei Zhang, Xinliang Zhou, Chenyu Liu, Shanglin Li, Yong Li, Cuntai Guan,
• Abstract要約: 最近の脳波基礎モデルでは、従来の復号法よりも性能と一般化性が向上している。 既存のモデルでは、チャネル間およびリージョン間相互作用を明示的にキャプチャできない場合が多い。 BrainProは9つのパブリックBCIデータセットで最先端のパフォーマンスと堅牢な一般化を実現している。
• 参考スコア（独自算出の注目度）: 34.50028362571382
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Electroencephalography (EEG) is a non-invasive technique for recording brain electrical activity, widely used in brain-computer interface (BCI) and healthcare. Recent EEG foundation models trained on large-scale datasets have shown improved performance and generalizability over traditional decoding methods, yet significant challenges remain. Existing models often fail to explicitly capture channel-to-channel and region-to-region interactions, which are critical sources of information inherently encoded in EEG signals. Due to varying channel configurations across datasets, they either approximate spatial structure with self-attention or restrict training to a limited set of common channels, sacrificing flexibility and effectiveness. Moreover, although EEG datasets reflect diverse brain states such as emotion, motor, and others, current models rarely learn state-aware representations during self-supervised pre-training. To address these gaps, we propose BrainPro, a large EEG model that introduces a retrieval-based spatial learning block to flexibly capture channel- and region-level interactions across varying electrode layouts, and a brain state-decoupling block that enables state-aware representation learning through parallel encoders with decoupling and region-aware reconstruction losses. This design allows BrainPro to adapt seamlessly to diverse tasks and hardware settings. Pre-trained on an extensive EEG corpus, BrainPro achieves state-of-the-art performance and robust generalization across nine public BCI datasets. Our codes and the pre-trained weights will be released.
• Abstract（参考訳）: 脳波 (EEG) は脳の電気活動を記録する非侵襲的手法であり、脳-コンピュータインターフェース (BCI) や医療で広く用いられている。 大規模データセットでトレーニングされた最近のEEG基盤モデルは、従来の復号法よりも性能と一般化性が改善されているが、大きな課題は残る。 既存のモデルでは、EEG信号に本質的にエンコードされる情報の重要な源であるチャネル間通信や地域間通信を明示的に捉えることができないことが多い。 データセット間で異なるチャネル構成のため、自己注意を伴う空間構造を近似するか、限られた共通チャネルセットにトレーニングを制限し、柔軟性と有効性を犠牲にする。 さらに、脳波データセットは感情、運動、その他の様々な脳状態を反映するが、現在のモデルでは、自己教師付き事前トレーニング中に状態認識の表現を学ぶことは滅多にない。 これらのギャップに対処するため,脳波モデルであるBrainProを提案する。このモデルでは,異なる電極レイアウト間のチャネルレベルと領域レベルの相互作用を柔軟にキャプチャする検索ベースの空間学習ブロックと,分離と領域認識再構成損失を伴う並列エンコーダによる状態認識表現学習を可能にする脳状態分離ブロックを提案する。 この設計により、BrainProは多様なタスクやハードウェア設定にシームレスに適応できる。 広範なEEGコーパスに基づいて事前トレーニングされたBrainProは、9つのパブリックBCIデータセットにわたる最先端のパフォーマンスと堅牢な一般化を実現している。 私たちのコードと事前訓練されたウェイトがリリースされます。

関連論文リスト

• CSBrain: A Cross-scale Spatiotemporal Brain Foundation Model for EEG Decoding [57.90382885533593]
  脳波信号の一般化のためのクロススケール時空間脳基盤モデルを提案する。 CSBrainはタスク固有のベースラインと基盤モデルのベースラインを一貫して上回ります。 これらの結果は、CSBrainを将来の脳-AI研究の強力なバックボーンとして、重要な帰納バイアスとして、クロススケールモデリングを確立している。
  論文  参考訳（メタデータ） (2025-06-29T03:29:34Z)
• CodeBrain: Towards Decoupled Interpretability and Multi-Scale Architecture for EEG Foundation Model [52.466542039411515]
  EEGファウンデーションモデル(EFM)は、タスク固有のモデルのスケーラビリティ問題に対処するために登場した。 このギャップを埋めるために設計された2段階のEMFであるCodeBrainを紹介します。 第1段階では、異種時間・周波数の脳波信号を離散トークンに分解するTFDual-Tokenizerを導入する。 第2段階では、構造化されたグローバル畳み込みとスライディングウインドウの注意を結合したマルチスケールEEGSSMアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2025-06-10T17:20:39Z)
• BrainOmni: A Brain Foundation Model for Unified EEG and MEG Signals [50.76802709706976]
  異種脳波とMEG記録を対象とする脳基礎モデルBrain Omniを提案する。 多様なデータソースを統一するために、脳の活動を離散表現に定量化する最初のトークンであるBrainTokenizerを紹介します。 EEGの合計1,997時間、MEGデータの656時間は、事前トレーニングのために公開されているソースからキュレーションされ、標準化されている。
  論文  参考訳（メタデータ） (2025-05-18T14:07:14Z)
• BrainVis: Exploring the Bridge between Brain and Visual Signals via Image Reconstruction [7.512223286737468]
  脳信号からの視覚刺激の分析と再構成は、人間の視覚系の理解を効果的に進める。 しかし、脳波信号は複雑であり、大きなノイズを含む。 これにより、脳波からの視覚刺激再建の既存の作品にかなりの制限が生じる。 我々はこれらの課題に対処するためにBrainVisと呼ばれる新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2023-12-22T17:49:11Z)
• 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)
• 2021 BEETL Competition: Advancing Transfer Learning for Subject Independence & Heterogenous EEG Data Sets [89.84774119537087]
  我々は、診断とBCI(Brain-Computer-Interface)に関する2つの伝達学習課題を設計する。 第1タスクは、患者全体にわたる自動睡眠ステージアノテーションに対処する医療診断に重点を置いている。 タスク2はBrain-Computer Interface (BCI)に集中しており、被験者とデータセットの両方にわたる運動画像のデコードに対処する。
  論文  参考訳（メタデータ） (2022-02-14T12:12:20Z)
• Emotional EEG Classification using Connectivity Features and Convolutional Neural Networks [81.74442855155843]
  CNNと脳のつながりを利用した新しい分類システムを導入し,その効果を感情映像分類により検証する。 対象映像の感情的特性に関連する脳接続の集中度は分類性能と相関する。
  論文  参考訳（メタデータ） (2021-01-18T13:28:08Z)

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。