論文の概要: Neural Brain Fields: A NeRF-Inspired Approach for Generating Nonexistent EEG Electrodes

• arxiv url: http://arxiv.org/abs/2601.00012v1
• Date: Sat, 20 Dec 2025 21:20:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-11 18:48:17.491275
• Title: Neural Brain Fields: A NeRF-Inspired Approach for Generating Nonexistent EEG Electrodes
• Title（参考訳）: ニューラル・ブレイン・フィールド:非存在脳波電極生成のためのNeRFによるアプローチ
• Authors: Shahar Ain Kedem, Itamar Zimerman, Eliya Nachmani,
• Abstract要約: ニューラルネットワークは、NeRF方式で単一のEEGサンプルでトレーニングでき、固定サイズと情報量ベクトルを生成する。 このアプローチは、任意の解像度で脳活動の連続的な可視化を可能にすることを実証する。
• 参考スコア（独自算出の注目度）: 17.593146780326034
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Electroencephalography (EEG) data present unique modeling challenges because recordings vary in length, exhibit very low signal to noise ratios, differ significantly across participants, drift over time within sessions, and are rarely available in large and clean datasets. Consequently, developing deep learning methods that can effectively process EEG signals remains an open and important research problem. To tackle this problem, this work presents a new method inspired by Neural Radiance Fields (NeRF). In computer vision, NeRF techniques train a neural network to memorize the appearance of a 3D scene and then uses its learned parameters to render and edit the scene from any viewpoint. We draw an analogy between the discrete images captured from different viewpoints used to learn a continuous 3D scene in NeRF, and EEG electrodes positioned at different locations on the scalp, which are used to infer the underlying representation of continuous neural activity. Building on this connection, we show that a neural network can be trained on a single EEG sample in a NeRF style manner to produce a fixed size and informative weight vector that encodes the entire signal. Moreover, via this representation we can render the EEG signal at previously unseen time steps and spatial electrode positions. We demonstrate that this approach enables continuous visualization of brain activity at any desired resolution, including ultra high resolution, and reconstruction of raw EEG signals. Finally, our empirical analysis shows that this method can effectively simulate nonexistent electrodes data in EEG recordings, allowing the reconstructed signal to be fed into standard EEG processing networks to improve performance.
• Abstract（参考訳）: 脳波(EEG)データは、記録の長さが変化し、信号と雑音の比が非常に低く、参加者間で大きく異なり、セッション内で時間とともにドリフトし、大規模でクリーンなデータセットではめったに利用できないため、ユニークなモデリング上の課題を示す。 したがって、脳波信号を効果的に処理できるディープラーニング手法の開発は、オープンで重要な研究課題である。 この問題に対処するため,ニューラルラジアンス場(NeRF)に触発された新しい手法を提案する。 コンピュータビジョンでは、NeRF技術はニューラルネットワークをトレーニングして3Dシーンの外観を記憶し、学習したパラメータを使って任意の視点からシーンをレンダリングし、編集する。 我々は、NeRFにおける連続3Dシーンの学習に使用する異なる視点から取得した離散画像と、頭皮上の異なる位置に位置する脳波電極との類似性を示し、脳活動の基盤となる表現を推測する。 この接続に基づいて、ニューラルネットワークを1つのEEGサンプルにNeRFスタイルでトレーニングすることで、信号全体を符号化する固定サイズおよび情報量ベクトルを生成することができることを示す。 さらに、この表現により、以前は目に見えない時間ステップと空間電極位置で脳波信号を描画することができる。 提案手法は,超高分解能,生脳波信号の再構成など,任意の解像度で連続的に脳活動の可視化を可能にすることを実証する。 最後に,本手法は脳波記録における非存在電極データを効果的にシミュレートし,脳波処理ネットワークに再構成信号を送り込むことで性能を向上できることを示す。

関連論文リスト

• 3D-Telepathy: Reconstructing 3D Objects from EEG Signals [19.548597299697796]
  脳波(EEG)データからの3次元視覚刺激の再構成は脳-コンピュータインタフェース(BCI)の応用に有意な可能性を秘めている 本稿では,2つの自己認識機構を統合した革新的なEEGアーキテクチャを提案する。 我々は、クロスアテンション、コントラスト学習、自己教師型学習技術を含む、脳波のトレーニングにハイブリッドトレーニング戦略を使用します。
  論文  参考訳（メタデータ） (2025-06-27T01:26:52Z)
• 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)
• Neuro-3D: Towards 3D Visual Decoding from EEG Signals [49.502364730056044]
  脳波信号から3次元視覚知覚を復号する新しい神経科学タスクを導入する。 まず、ビデオと画像の両方でレンダリングされた72の3Dオブジェクトのカテゴリを閲覧する12人の被験者から、マルチモーダル分析データと脳波記録を含むデータセットであるEEG-3Dを提示する。 脳波信号に基づく3次元視覚デコーディングフレームワークNeuro-3Dを提案する。
  論文  参考訳（メタデータ） (2024-11-19T05:52:17Z)
• EEG-Driven 3D Object Reconstruction with Style Consistency and Diffusion Prior [1.7205106391379026]
  本稿では,脳波を用いた3次元オブジェクト再構成手法を提案する。 実験により,この手法は脳波データを効果的に利用して3次元オブジェクトをスタイル整合性で再構築できることが実証された。
  論文  参考訳（メタデータ） (2024-10-28T12:59:24Z)
• EEGDiR: Electroencephalogram denoising network for temporal information storage and global modeling through Retentive Network [11.491355463353731]
  我々はRetnetを自然言語処理から脳波分解まで導入する。 Retnetの脳波への直接的適用は脳波信号の1次元の性質のため不可能である。 本稿では,1次元の脳波信号を2次元に変換してネットワーク入力として用いる信号埋め込み手法を提案する。
  論文  参考訳（メタデータ） (2024-03-20T15:04:21Z)
• Learning Robust Deep Visual Representations from EEG Brain Recordings [13.768240137063428]
  本研究は,脳波に基づく深部表現の頑健な学習を行うための2段階の手法を提案する。 ディープラーニングアーキテクチャを用いて,3つのデータセットにまたがる特徴抽出パイプラインの一般化性を実証する。 本稿では,未知の画像を脳波空間に変換し,近似を用いて再構成する新しい枠組みを提案する。
  論文  参考訳（メタデータ） (2023-10-25T10:26:07Z)
• ResFields: Residual Neural Fields for Spatiotemporal Signals [61.44420761752655]
  ResFieldsは、複雑な時間的信号を効果的に表現するために設計された新しいネットワークのクラスである。 本稿では,ResFieldの特性を包括的に解析し,トレーニング可能なパラメータの数を減らすための行列分解手法を提案する。 スパースRGBDカメラからダイナミックな3Dシーンをキャプチャする効果を示すことで,ResFieldsの実用性を実証する。
  論文  参考訳（メタデータ） (2023-09-06T16:59:36Z)
• Neural networks for classification of strokes in electrical impedance tomography on a 3D head model [0.0]
  我々は、出血性脳卒中と虚血性脳梗塞の分類のために、2つのニューラルネットワークアーキテクチャー、完全に接続されたアーキテクチャと畳み込みアーキテクチャーを使用します。 それらのネットワークは、合成電極測定の4万ドルのサンプルを持つデータセットで訓練されている。 次に、より複雑なストロークモデルを用いて、見えないEITデータのいくつかのデータセット上でネットワークをテストする。
  論文  参考訳（メタデータ） (2020-11-05T14:22:05Z)

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。