論文の概要: Neural Codecs as Biosignal Tokenizers

• arxiv url: http://arxiv.org/abs/2510.09095v1
• Date: Fri, 10 Oct 2025 07:47:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-14 00:38:48.391905
• Title: Neural Codecs as Biosignal Tokenizers
• Title（参考訳）: バイオシグナルトケナイザとしてのニューラルコーデック
• Authors: Kleanthis Avramidis, Tiantian Feng, Woojae Jeong, Jihwan Lee, Wenhui Cui, Richard M Leahy, Shrikanth Narayanan,
• Abstract要約: ニューラルコーデックにインスパイアされた代替表現学習フレームワークであるBioCodecを導入し、離散トークンの形で低レベル信号特性をキャプチャする。 提案手法は、最先端のモデルと競合するバイオシグナルトークン化のための汎用的なソリューションを提供する。
• 参考スコア（独自算出の注目度）: 45.09508896488561
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Neurophysiological recordings such as electroencephalography (EEG) offer accessible and minimally invasive means of estimating physiological activity for applications in healthcare, diagnostic screening, and even immersive entertainment. However, these recordings yield high-dimensional, noisy time-series data that typically require extensive pre-processing and handcrafted feature extraction to reveal meaningful information. Recently, there has been a surge of interest in applying representation learning techniques from large pre-trained (foundation) models to effectively decode and interpret biosignals. We discuss the challenges posed for incorporating such methods and introduce BioCodec, an alternative representation learning framework inspired by neural codecs to capture low-level signal characteristics in the form of discrete tokens. Pre-trained on thousands of EEG hours, BioCodec shows efficacy across multiple downstream tasks, ranging from clinical diagnostic tasks and sleep physiology to decoding speech and motor imagery, particularly in low-resource settings. Additionally, we provide a qualitative analysis of codebook usage and estimate the spatial coherence of codebook embeddings from EEG connectivity. Notably, we also document the suitability of our method to other biosignal data, i.e., electromyographic (EMG) signals. Overall, the proposed approach provides a versatile solution for biosignal tokenization that performs competitively with state-of-the-art models. The source code and model checkpoints are shared.
• Abstract（参考訳）: 脳波(EEG)のような神経生理学的記録は、医療、診断スクリーニング、さらには没入型エンターテイメントに応用するための生理的活動を推定する、アクセス可能で最小限の侵襲的な手段を提供する。 しかし、これらの記録は、一般的に意味のある情報を明らかにするために、広範囲の事前処理と手作りの特徴抽出を必要とする高次元でノイズの多い時系列データを生成する。 近年,バイオシグナーを効果的に復号・解釈するために,大規模な事前学習(基礎)モデルから表現学習技術を適用することへの関心が高まっている。 このような手法を取り入れた上での課題について議論し、神経コーデックにインスパイアされた代替表現学習フレームワークであるBioCodecを導入し、離散トークンの形で低レベル信号特性をキャプチャする。 何千もの脳波時間で事前トレーニングされたBioCodecは、臨床診断タスクや睡眠生理学から、音声や運動画像の復号化、特に低リソース環境における複数の下流タスクに有効性を示す。 さらに,脳波接続からコードブックの空間的コヒーレンスを推定し,コードブックの使用状況の質的分析を行う。 また,他の生体信号,すなわち筋電図(EMG)信号に対する本手法の適合性についても述べる。 全体として、提案手法は、最先端のモデルと競合するバイオシグナルトークン化のための汎用的なソリューションを提供する。 ソースコードとモデルチェックポイントが共有される。

関連論文リスト

• 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)
• From Neurons to Computation: Biological Reservoir Computing for Pattern Recognition [3.342739594466204]
  我々は、培養された生体ニューロンのプールを貯水池基質として活用し、生物貯水池コンピューティング(BRC)を作成する貯水池コンピューティング(RC)のパラダイムを導入する。 このシステムはエコー状態ネットワーク(ESN)と同様に動作し、神経活動が培養されたニューロンのネットワークによって生成されることが鍵となる。 結果は、従来のニューラルネットワークで処理されるタスクを実行するために、生物学的ニューラルネットワークを使用することの可能性を示している。
  論文  参考訳（メタデータ） (2025-05-06T13:20:04Z)
• 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 Convolutional Spiking Network for Gesture Recognition in Brain-Computer Interfaces [0.8122270502556371]
  脳信号に基づく手振り分類の例題問題に対して,簡単な機械学習に基づくアプローチを提案する。 本手法は脳波データとECoGデータの両方で異なる対象に一般化し,92.74-97.07%の範囲で精度が向上することを示した。
  論文  参考訳（メタデータ） (2023-04-21T16:23:40Z)
• Deep Metric Learning with Locality Sensitive Angular Loss for Self-Correcting Source Separation of Neural Spiking Signals [77.34726150561087]
  本稿では, 深層学習に基づく手法を提案し, 自動掃除とロバスト分離フィルタの必要性に対処する。 本手法は, ソース分離した高密度表面筋電図記録に基づいて, 人工的に劣化したラベルセットを用いて検証する。 このアプローチにより、ニューラルネットワークは、信号のラベル付けの不完全な方法を使用して、神経生理学的時系列を正確に復号することができる。
  論文  参考訳（メタデータ） (2021-10-13T21:51:56Z)
• Discriminative Singular Spectrum Classifier with Applications on Bioacoustic Signal Recognition [67.4171845020675]
  分析や分類に有用な特徴を効率的に抽出する識別機構を備えた生体音響信号分類器を提案する。 タスク指向の現在のバイオ音響認識法とは異なり、提案モデルは入力信号をベクトル部分空間に変換することに依存する。 提案法の有効性は,アヌラン,ミツバチ,蚊の3種の生物音響データを用いて検証した。
  論文  参考訳（メタデータ） (2021-03-18T11:01:21Z)
• G-MIND: An End-to-End Multimodal Imaging-Genetics Framework for Biomarker Identification and Disease Classification [49.53651166356737]
  診断によって誘導される画像データと遺伝データを統合し、解釈可能なバイオマーカーを提供する新しいディープニューラルネットワークアーキテクチャを提案する。 2つの機能的MRI(fMRI)パラダイムとSingle Nucleotide Polymorphism (SNP)データを含む統合失調症の集団研究で本モデルを評価した。
  論文  参考訳（メタデータ） (2021-01-27T19:28:04Z)
• Multi-Scale Neural network for EEG Representation Learning in BCI [2.105172041656126]
  本稿では,複数の周波数/時間範囲における特徴表現を探索する深層多スケールニューラルネットワークを提案する。 スペクトル時間情報を用いた脳波信号の表現により,提案手法を多種多様なパラダイムに応用することができる。
  論文  参考訳（メタデータ） (2020-03-02T04:06:47Z)

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。