論文の概要: EEGAgent: A Unified Framework for Automated EEG Analysis Using Large Language Models

• arxiv url: http://arxiv.org/abs/2511.09947v1
• Date: Fri, 14 Nov 2025 01:20:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-14 22:53:22.597641
• Title: EEGAgent: A Unified Framework for Automated EEG Analysis Using Large Language Models
• Title（参考訳）: EEGAgent: 大規模言語モデルを用いた脳波自動解析のための統一フレームワーク
• Authors: Sha Zhao, Mingyi Peng, Haiteng Jiang, Tao Li, Shijian Li, Gang Pan,
• Abstract要約: EEGAgentは、大規模な言語モデル(LLM)を活用して、複数のツールをスケジュールし、計画し、EEG関連のタスクを自動的に完了させる汎用フレームワークである。 EEGAgentは、EEG基本的な情報認識、EEG探索、EEGイベント検出、ユーザとのインタラクション、EEGレポート生成といった重要な機能を実行することができる。 これらの機能はパブリックデータセットで評価され、私たちのEEGAgentは柔軟で解釈可能なEEG分析をサポートできます。
• 参考スコア（独自算出の注目度）: 21.01911300951173
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Scalable and generalizable analysis of brain activity is essential for advancing both clinical diagnostics and cognitive research. Electroencephalography (EEG), a non-invasive modality with high temporal resolution, has been widely used for brain states analysis. However, most existing EEG models are usually tailored for individual specific tasks, limiting their utility in realistic scenarios where EEG analysis often involves multi-task and continuous reasoning. In this work, we introduce EEGAgent, a general-purpose framework that leverages large language models (LLMs) to schedule and plan multiple tools to automatically complete EEG-related tasks. EEGAgent is capable of performing the key functions: EEG basic information perception, spatiotemporal EEG exploration, EEG event detection, interaction with users, and EEG report generation. To realize these capabilities, we design a toolbox composed of different tools for EEG preprocessing, feature extraction, event detection, etc. These capabilities were evaluated on public datasets, and our EEGAgent can support flexible and interpretable EEG analysis, highlighting its potential for real-world clinical applications.
• Abstract（参考訳）: 脳活動のスケーラブルで一般化可能な分析は、臨床診断と認知研究の進展に不可欠である。 脳波(EEG)は、高時間分解能の非侵襲的モダリティであり、脳の状態解析に広く用いられている。 しかし、ほとんどの既存のEEGモデルは個々の特定のタスクに合わせて調整されており、EEG分析がしばしばマルチタスクと連続推論を伴う現実的なシナリオにおいて、その実用性を制限する。 本稿では,大規模言語モデル(LLM)を活用した汎用フレームワークであるEEGAgentを紹介する。 EEGAgentは、EEG基本的な情報知覚、時空間脳波探索、EEGイベント検出、ユーザとのインタラクション、EEGレポート生成といった重要な機能を実行することができる。 これらの機能を実現するため、脳波前処理、特徴抽出、イベント検出などのための様々なツールからなるツールボックスを設計する。 これらの能力は、パブリックデータセットで評価され、私たちのEEGAgentは、フレキシブルで解釈可能な脳波分析をサポートし、実際の臨床応用の可能性を強調します。

関連論文リスト

• 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)
• EEG-MedRAG: Enhancing EEG-based Clinical Decision-Making via Hierarchical Hypergraph Retrieval-Augmented Generation [45.031633614714]
  EEG-MedRAGは3層ハイパーグラフに基づく検索拡張生成フレームワークである。 EEGドメイン知識、個々の患者ケース、大規模リポジトリをトラバース可能なn-aryリレーショナルハイパーグラフに統合する。 第1回クロスリリース・クロスロールEEG臨床QAベンチマークを,7つの障害と5つの臨床的観点から紹介した。
  論文  参考訳（メタデータ） (2025-08-19T11:12:58Z)
• From Video to EEG: Adapting Joint Embedding Predictive Architecture to Uncover Visual Concepts in Brain Signal Analysis [7.218572835925958]
  脳波信号は、高時間分解能と低空間分解能で脳活動を捉え、神経学的診断、認知モニタリング、脳-コンピュータインターフェースなどの応用をサポートする。 本稿では,脳波分類のためのビデオ共同埋め込み予測アーキテクチャ(VJEPA)の新たな適応であるEEG-VJEPAを提案する。 脳波をビデオライクなシーケンスとして扱うことで、EEG-VJEPAは共同埋め込みと適応マスキングを用いて意味的に意味のある表現を学ぶ。
  論文  参考訳（メタデータ） (2025-07-04T15:01:34Z)
• BrainOmni: A Brain Foundation Model for Unified EEG and MEG Signals [46.121056431476156]
  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。 既存のアプローチは一般的に、パフォーマンスとクロスドメインのスケーラビリティを制限する、分離、モダリティ、データセット固有のモデルに依存します。 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)
• Large Cognition Model: Towards Pretrained EEG Foundation Model [0.0]
  多様な脳波データセットと下流タスクをまたいだ一般化を目的としたトランスフォーマーベース基盤モデルを提案する。 本研究は, 神経科学, パーソナライズドメディカル, およびBCI技術の進歩を促進するための, 事前学習型脳波基盤モデルの可能性を明らかにするものである。
  論文  参考訳（メタデータ） (2025-02-11T04:28:10Z)
• CSLP-AE: A Contrastive Split-Latent Permutation Autoencoder Framework for Zero-Shot Electroencephalography Signal Conversion [49.1574468325115]
  脳波分析の鍵となる目的は、基礎となる神経活動(コンテンツ)を抽出し、個体の変動(スタイル)を考慮することである。 近年の音声変換技術の発展に触発されて,脳波変換を直接最適化するCSLP-AEフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-11-13T22:46:43Z)
• Task-oriented Self-supervised Learning for Anomaly Detection in Electroencephalography [51.45515911920534]
  タスク指向型自己教師型学習手法を提案する。 大きなカーネルを持つ特定の2つの分岐畳み込みニューラルネットワークを特徴抽出器として設計する。 効果的に設計され、訓練された特徴抽出器は、より優れた特徴表現を脳波から抽出できることが示されている。
  論文  参考訳（メタデータ） (2022-07-04T13:15:08Z)
• A Novel Transferability Attention Neural Network Model for EEG Emotion Recognition [51.203579838210885]
  脳波感情認識のための伝達型注目ニューラルネットワーク(TANN)を提案する。 TANNは、伝達可能な脳波領域のデータとサンプルを適応的に強調することにより、感情的な識別情報を学習する。 これは、複数の脳領域レベル判別器と1つのサンプルレベル判別器の出力を測定することで実現できる。
  論文  参考訳（メタデータ） (2020-09-21T02:42:30Z)

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。