論文の概要: WaveFormer: Wavelet Embedding Transformer for Biomedical Signals
- arxiv url: http://arxiv.org/abs/2602.12189v1
- Date: Thu, 12 Feb 2026 17:20:43 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-02-13 21:07:25.955575
- Title: WaveFormer: Wavelet Embedding Transformer for Biomedical Signals
- Title（参考訳）: WaveFormer:生体信号のためのウェーブレット埋め込み変換器
- Authors: Habib Irani, Bikram De, Vangelis Metsis,
- Abstract要約: 本稿では,ウェーブレット分解を2つの重要な段階(埋め込み構造と位置符号化)で統合するトランスフォーマーアーキテクチャを提案する。
我々は、ウェーブフォーマーを、人間の活動認識と脳信号分析にまたがる8つの多様なデータセット上で評価し、シーケンスの長さは50から3000のタイムステップとチャネル数(1から144)である。
- 参考スコア（独自算出の注目度）: 1.2922946578413579
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Biomedical signal classification presents unique challenges due to long sequences, complex temporal dynamics, and multi-scale frequency patterns that are poorly captured by standard transformer architectures. We propose WaveFormer, a transformer architecture that integrates wavelet decomposition at two critical stages: embedding construction, where multi-channel Discrete Wavelet Transform (DWT) extracts frequency features to create tokens containing both time-domain and frequency-domain information, and positional encoding, where Dynamic Wavelet Positional Encoding (DyWPE) adapts position embeddings to signal-specific temporal structure through mono-channel DWT analysis. We evaluate WaveFormer on eight diverse datasets spanning human activity recognition and brain signal analysis, with sequence lengths ranging from 50 to 3000 timesteps and channel counts from 1 to 144. Experimental results demonstrate that WaveFormer achieves competitive performance through comprehensive frequency-aware processing. Our approach provides a principled framework for incorporating frequency-domain knowledge into transformer-based time series classification.
- Abstract（参考訳）: バイオメディカル信号分類は、長いシーケンス、複雑な時間的ダイナミクス、および標準トランスフォーマーアーキテクチャで不十分なマルチスケールの周波数パターンによる固有の課題を示す。
複数チャネルの離散ウェーブレット変換(DWT)が周波数特徴を抽出して時間領域情報と周波数領域情報の両方を含むトークンを生成し,位置エンコーディングによって動的ウェーブレット位置エンコーディング(DyWPE)が位置埋め込みを信号固有の時間構造にモノチャネルDWT分析により適応させる,2つの重要な段階でウェーブレット分解を統合する変換器アーキテクチャであるWaveFormerを提案する。
我々は、ウェーブフォーマーを、人間の活動認識と脳信号分析にまたがる8つの多様なデータセット上で評価し、シーケンスの長さは50から3000のタイムステップとチャネル数(1から144)である。
実験により、WaveFormerは包括的周波数認識処理により競合性能を発揮することが示された。
提案手法は,周波数領域の知識を変換器に基づく時系列分類に組み込むための基本的枠組みを提供する。
関連論文リスト
- AWGformer: Adaptive Wavelet-Guided Transformer for Multi-Resolution Time Series Forecasting [3.453296006042559]
時系列予測には、複数の時間スケールでパターンをキャプチャする必要がある。
本稿では,適応ウェーブレット分解と大規模アテンション機構を統合した新しいアーキテクチャであるAWGformerを紹介する。
論文 参考訳（メタデータ） (2026-01-28T09:14:22Z) - WaveTuner: Comprehensive Wavelet Subband Tuning for Time Series Forecasting [22.28753360953834]
本稿では、時系列予測のためのフルスペクトルサブバンドチューニングによるウェーブレット分解フレームワークを提案する。
WaveTunerは2つの主要なモジュールから構成される: (i) 時系列を時間周波数係数に変換するAdaptive Wavelet Refinementモジュール、(ii) 複数の機能分岐を利用するマルチブランチモジュール。
論文 参考訳（メタデータ） (2025-11-24T07:33:35Z) - WaveletDiff: Multilevel Wavelet Diffusion For Time Series Generation [15.28917997999402]
WaveletDiffは、時系列データ固有の多重解像度構造を利用するために、ウェーブレット係数上で拡散モデルを直接訓練する新しいフレームワークである。
最先端の時間領域と周波数領域の生成手法を5つの異なるパフォーマンス指標で比較すると、一貫して性能が向上する。
論文 参考訳（メタデータ） (2025-10-13T18:47:33Z) - DyWPE: Signal-Aware Dynamic Wavelet Positional Encoding for Time Series Transformers [1.4524096882720263]
動的ウェーブレット位置決めを導入する。
離散ウェーブレット変換(DWT)を用いた入力時間から直接位置埋め込みを生成する新しい信号認識フレームワーク(DyWPE)
DyWPEは、バイオメディカル信号の正弦波絶対位置符号化に比べて平均9.1%の相対的な改善を達成し、既存の8つの位置符号化法を一貫して上回っている。
論文 参考訳（メタデータ） (2025-09-18T05:37:33Z) - Wavelet-Guided Dual-Frequency Encoding for Remote Sensing Change Detection [67.84730634802204]
リモートセンシング画像の変化検出は,自然災害監視,都市拡張追跡,インフラ管理など,さまざまな工学的応用において重要な役割を担っている。
既存のほとんどの手法は空間領域モデリングに依存しており、特徴表現の限られた多様性は微妙な変化領域の検出を妨げる。
本研究では、特にウェーブレット領域における周波数領域の特徴モデリングが周波数成分の微細な違いを増幅し、空間領域において捉えにくいエッジ変化の知覚を高めることを観察する。
論文 参考訳（メタデータ） (2025-08-07T11:14:16Z) - MFRS: A Multi-Frequency Reference Series Approach to Scalable and Accurate Time-Series Forecasting [51.94256702463408]
時系列予測は、周波数の異なる周期特性から導かれる。
マルチ周波数参照系列相関解析に基づく新しい時系列予測手法を提案する。
主要なオープンデータセットと合成データセットの実験は、最先端のパフォーマンスを示している。
論文 参考訳（メタデータ） (2025-03-11T11:40:14Z) - WFTNet: Exploiting Global and Local Periodicity in Long-term Time Series
Forecasting [61.64303388738395]
本稿では,長期連続予測のためのWavelet-Fourier Transform Network (WFTNet)を提案する。
さまざまな時系列データセットのテストでは、WFTNetは他の最先端のベースラインを一貫して上回っている。
論文 参考訳（メタデータ） (2023-09-20T13:44:18Z) - MultiWave: Multiresolution Deep Architectures through Wavelet
Decomposition for Multivariate Time Series Prediction [6.980076213134384]
MultiWaveは、信号の固有周波数で動作するコンポーネントを組み込むことで、ディープラーニング時系列モデルを強化する新しいフレームワークである。
我々は、MultiWaveが重要な特徴とその周波数成分を一貫して識別し、研究対象のアプリケーションに対する貴重な洞察を提供することを示す。
論文 参考訳（メタデータ） (2023-06-16T20:07:15Z) - Transform Once: Efficient Operator Learning in Frequency Domain [69.74509540521397]
本研究では、周波数領域の構造を利用して、空間や時間における長距離相関を効率的に学習するために設計されたディープニューラルネットワークについて検討する。
この研究は、単一変換による周波数領域学習のための青写真を導入している。
論文 参考訳（メタデータ） (2022-11-26T01:56:05Z) - WaveTTS: Tacotron-based TTS with Joint Time-Frequency Domain Loss [74.11899135025503]
Tacotron-based text-to-speech (TTS) システムはテキスト入力から直接音声を合成する。
本稿では2つの損失関数を持つタコトロン型TS(WaveTTS)の新たなトレーニング手法を提案する。
WaveTTSは、音響特性と結果の音声波形の両方の品質を保証する。
論文 参考訳（メタデータ） (2020-02-02T15:51:22Z)
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。