論文の概要: DeeperBrain: A Neuro-Grounded EEG Foundation Model Towards Universal BCI
- arxiv url: http://arxiv.org/abs/2601.06134v1
- Date: Mon, 05 Jan 2026 05:31:45 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-01-13 19:08:00.601797
- Title: DeeperBrain: A Neuro-Grounded EEG Foundation Model Towards Universal BCI
- Title（参考訳）: DeeperBrain:Universal BCIに向けた脳波ファンデーションモデル
- Authors: Jiquan Wang, Sha Zhao, Yangxuan Zhou, Yiming Kang, Shijian Li, Gang Pan,
- Abstract要約: DeeperBrainは、ドメイン固有の帰納バイアスをモデル設計と学習目的に統合する、神経基盤モデルである。
エンドツーエンドの微調整の下で、最先端または高い競争性能を達成する。
DeeperBrainは厳密な凍結プロブリングプロトコルの下で優れた効果を維持している。
- 参考スコア（独自算出の注目度）: 23.430788212164686
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Electroencephalography (EEG) foundation models hold significant promise for universal Brain-Computer Interfaces (BCIs). However, existing approaches often rely on end-to-end fine-tuning and exhibit limited efficacy under frozen-probing protocols, lacking the intrinsic universality required for broad generalization. This limitation stems from adapting general-purpose sequence architectures that overlook the biophysical and dynamical principles of neural activity. To bridge this gap, we propose DeeperBrain, a neuro-grounded foundation model integrating domain-specific inductive biases into its model design and learning objectives. Architecturally, DeeperBrain incorporates a volume conduction-aware channel encoding to model spatial mixing via 3D geometry, and a neurodynamics-aware temporal encoding capturing slow adaptations using oscillatory and exponential bases. For pretraining, we introduce a dual-objective strategy combining Masked EEG Reconstruction (MER) for local fidelity and Neurodynamics Statistics Prediction (NSP). NSP enforces alignment with macroscopic brain states by predicting interpretable order parameters, including spectral power, functional connectivity, cross-frequency coupling, and dynamic complexity. Extensive experiments demonstrate that DeeperBrain achieves state-of-the-art or highly competitive performance under end-to-end fine-tuning. Crucially, it maintains superior efficacy under a rigorous frozen-probing protocol, verifying that embedding neuroscientific first principles endows learned representations with the intrinsic universality essential for universal BCI. The code will be publicly available.
- Abstract（参考訳）: 脳波の基礎モデル(EEG)は、普遍的な脳-コンピュータインタフェース(BCI)に重要な可能性を秘めている。
しかし、既存のアプローチはしばしばエンドツーエンドの微調整に依存し、凍結プロブリングプロトコルの下では限定的な有効性を示し、広範な一般化に必要な本質的な普遍性は欠如している。
この制限は、神経活動の生物物理学的および動的原理を無視する汎用的なシーケンスアーキテクチャに適応することに由来する。
このギャップを埋めるために、ドメイン固有の帰納バイアスをモデル設計と学習目的に組み込んだ神経基盤モデルDeeperBrainを提案する。
建築的には、DeeperBrainは3次元幾何学による空間混合をモデル化するための体積伝導認識チャネルエンコーディングと、振動ベースと指数ベースを使用して遅い適応をキャプチャする神経力学認識時符号化を組み込んでいる。
予備訓練には,局所的忠実度と神経力学統計予測(NSP)にMasked EEG Reconstruction(MER)を併用した二重目的戦略を導入する。
NSPは、スペクトルパワー、機能接続、クロス周波数結合、動的複雑さを含む解釈可能な順序パラメータを予測することで、マクロ脳状態との整合を強制する。
大規模な実験により、DeeperBrainはエンドツーエンドの微調整の下で最先端または高い競争性能を達成することが示された。
重要な点として、厳密な凍結探索プロトコルの下では優れた効果を維持しており、神経科学第一原理を組み込むことが、普遍的BCIに不可欠な本質的な普遍性を持つ学習された表現をもたらすことを検証している。
コードは公開されます。
関連論文リスト
- Energy-based Autoregressive Generation for Neural Population Dynamics [12.867288040044501]
本稿では,潜在空間における時間ダイナミクスを学習するエネルギーベースのトランスフォーマーを利用した,エネルギーベースの自己回帰生成フレームワークを提案する。
EAGは、計算効率が大幅に向上し、最先端の発電品質を達成できることを示す。
これらの結果は、神経科学研究や神経工学に応用した神経集団動態に対するエネルギーベースモデリングの有効性を示す。
論文 参考訳（メタデータ） (2025-11-18T07:11:29Z) - Neuronal Group Communication for Efficient Neural representation [85.36421257648294]
本稿では, 効率的な, モジュラー, 解釈可能な表現を学習する, 大規模ニューラルシステムの構築方法に関する問題に対処する。
本稿では、ニューラルネットワークを相互作用する神経群の動的システムとして再認識する理論駆動型フレームワークである神経グループ通信(NGC)を提案する。
NGCは、重みを埋め込みのようなニューロン状態間の過渡的な相互作用として扱い、神経計算はニューロン群間の反復的なコミュニケーションを通じて展開する。
論文 参考訳（メタデータ） (2025-10-19T14:23:35Z) - NeuroRVQ: Multi-Scale EEG Tokenization for Generative Large Brainwave Models [66.91449452840318]
我々は、コードブックベースのトークン化装置を中心としたスケーラブルな大脳波モデル(LBM)であるNeuroRVQを紹介する。
我々のトークンライザは, (i) フル周波数のニューラルスペクトルを捕捉するマルチスケール特徴抽出モジュール, (ii) 高精細符号化のための階層的残留ベクトル量子化(RVQ)コードブック, (iii) 効率的なトレーニングのためのEEG信号位相および振幅認識損失関数を統合する。
実験の結果,NeuroRVQは再建誤差を低くし,様々な下流タスクにおいて既存のLBMよりも優れることがわかった。
論文 参考訳（メタデータ） (2025-10-15T01:26:52Z) - Computing with Canonical Microcircuits [0.0]
標準マイクロ回路(CMC)に基づく計算アーキテクチャを提案する。
我々はこれらの回路を、スピン状星状体、抑制性、錐体ニューロンからなる神経回路として実装する。
実験の結果、1つのMCCノードでさえ、MNISTで97.8%の精度を達成していることがわかった。
論文 参考訳（メタデータ） (2025-07-25T11:10:13Z) - 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) - Interpretable Spatio-Temporal Embedding for Brain Structural-Effective Network with Ordinary Differential Equation [56.34634121544929]
本研究では,まず動的因果モデルを用いて脳効果ネットワークを構築する。
次に、STE-ODE(Spatio-Temporal Embedding ODE)と呼ばれる解釈可能なグラフ学習フレームワークを導入する。
このフレームワークは、構造的および効果的なネットワーク間の動的相互作用を捉えることを目的とした、特異的に設計されたノード埋め込み層を含んでいる。
論文 参考訳（メタデータ） (2024-05-21T20:37:07Z) - A Hybrid Neural Coding Approach for Pattern Recognition with Spiking
Neural Networks [53.31941519245432]
脳にインスパイアされたスパイクニューラルネットワーク(SNN)は、パターン認識タスクを解く上で有望な能力を示している。
これらのSNNは、情報表現に一様神経コーディングを利用する同質ニューロンに基づいている。
本研究では、SNNアーキテクチャは異種符号化方式を組み込むよう、均質に設計されるべきである、と論じる。
論文 参考訳（メタデータ） (2023-05-26T02:52:12Z) - Credit Assignment in Neural Networks through Deep Feedback Control [59.14935871979047]
ディープフィードバックコントロール(Deep Feedback Control, DFC)は、フィードバックコントローラを使用して、望ましい出力ターゲットにマッチするディープニューラルネットワークを駆動し、クレジット割り当てに制御信号を使用する新しい学習方法である。
学習規則は空間と時間において完全に局所的であり、幅広い接続パターンに対するガウス・ニュートンの最適化を近似する。
さらに,DFCと皮質錐体ニューロンのマルチコンパートメントモデルと,局所的な電圧依存性のシナプス可塑性規則を関連づける。
論文 参考訳（メタデータ） (2021-06-15T05:30:17Z)
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。