論文の概要: Brain4FMs: A Benchmark of Foundation Models for Electrical Brain Signal

• arxiv url: http://arxiv.org/abs/2602.11558v1
• Date: Thu, 12 Feb 2026 04:25:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-13 21:07:25.638313
• Title: Brain4FMs: A Benchmark of Foundation Models for Electrical Brain Signal
• Title（参考訳）: Brain4FMs: 電気的脳信号の基礎モデルベンチマーク
• Authors: Fanqi Shen, Enhong Yang, Jiahe Li, Junru Hong, Xiaoran Pan, Zhizhang Yuan, Meng Li, Yang Yang,
• Abstract要約: Brain Foundation Models(BFM)は、ニューラルネットワークからスケーラブルで伝達可能な学習を可能にすることで、神経科学を変革している。 我々は,15の代表的なBFMと18のパブリックデータセットを統合した,プラグアンドプレイインターフェースを備えたオープンな評価プラットフォームであるBrain4FMを紹介する。
• 参考スコア（独自算出の注目度）: 7.208815613117472
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Brain Foundation Models (BFMs) are transforming neuroscience by enabling scalable and transferable learning from neural signals, advancing both clinical diagnostics and cutting-edge neuroscience exploration. Their emergence is powered by large-scale clinical recordings, particularly electroencephalography (EEG) and intracranial EEG, which provide rich temporal and spatial representations of brain dynamics. However, despite their rapid proliferation, the field lacks a unified understanding of existing methodologies and a standardized evaluation framework. To fill this gap, we map the benchmark design space along two axes: (i) from the model perspective, we organize BFMs under a self-supervised learning (SSL) taxonomy; and (ii) from the dataset perspective, we summarize common downstream tasks and curate representative public datasets across clinical and human-centric neurotechnology applications. Building on this consolidation, we introduce Brain4FMs, an open evaluation platform with plug-and-play interfaces that integrates 15 representative BFMs and 18 public datasets. It enables standardized comparisons and analysis of how pretraining data, SSL strategies, and architectures affect generalization and downstream performance, guiding more accurate and transferable BFMs. The code is available at https://anonymous.4open.science/r/Brain4FMs-85B8.
• Abstract（参考訳）: 脳基礎モデル(BFM)は、神経信号からスケーラブルで伝達可能な学習を可能にし、臨床診断と最先端の神経科学探査の両方を前進させることで、神経科学を変革している。 特に脳波(EEG)と頭蓋内脳波(EEG)は脳波の時間的・空間的表現に富んでいる。 しかし、その急速な普及にもかかわらず、既存の方法論と標準化された評価フレームワークの統一的な理解が欠如している。 このギャップを埋めるために、ベンチマーク設計空間を2つの軸に沿ってマップする。 (i)モデルの観点から、自己監督型学習(SSL)分類の下でBFMを組織化し、 (II) データセットの観点からは, 共通下流課題を要約し, 臨床および人中心神経テクノロジー応用における代表的公開データセットをキュレートする。 この統合に基づいて,15の代表的なBFMと18の公開データセットを統合した,プラグアンドプレイインターフェースを備えたオープンな評価プラットフォームであるBrain4FMを紹介する。 データの事前トレーニング、SSL戦略、アーキテクチャが一般化と下流のパフォーマンスにどのように影響するかを標準化された比較と分析を可能にし、より正確で転送可能なBFMを導く。 コードはhttps://anonymous.4open.science/r/Brain4FMs-85B8で公開されている。

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 [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)
• Knowledge-Guided Prompt Learning for Lifespan Brain MR Image Segmentation [53.70131202548981]
  本稿では,脳MRIにKGPL(Knowledge-Guided Prompt Learning)を用いた2段階のセグメンテーションフレームワークを提案する。 具体的には,大規模データセットと準最適ラベルを用いたトレーニング前セグメンテーションモデルについて述べる。 知識的プロンプトの導入は、解剖学的多様性と生物学的プロセスの間の意味的関係を捉えている。
  論文  参考訳（メタデータ） (2024-07-31T04:32:43Z)
• BrainSegFounder: Towards 3D Foundation Models for Neuroimage Segmentation [6.5388528484686885]
  本研究は,医療基盤モデルの創出に向けた新しいアプローチを紹介する。 本稿では,視覚変換器を用いた2段階事前学習手法を提案する。 BrainFounderは、これまでの勝利ソリューションの成果を上回る、大幅なパフォーマンス向上を実演している。
  論文  参考訳（メタデータ） (2024-06-14T19:49:45Z)
• UniBrain: Universal Brain MRI Diagnosis with Hierarchical Knowledge-enhanced Pre-training [66.16134293168535]
  我々はUniBrainと呼ばれるユニバーサル脳MRI診断のための階層的知識強化事前訓練フレームワークを提案する。 具体的には、UniBrainは、定期的な診断から24,770のイメージレポートペアの大規模なデータセットを活用する。
  論文  参考訳（メタデータ） (2023-09-13T09:22:49Z)

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。