論文の概要: CORTEG: Foundation Models Enable Cross-Modality Representation Transfer from Scalp to Intracranial Brain Recordings

• arxiv url: http://arxiv.org/abs/2605.10337v1
• Date: Mon, 11 May 2026 10:40:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-12 23:28:50.737795
• Title: CORTEG: Foundation Models Enable Cross-Modality Representation Transfer from Scalp to Intracranial Brain Recordings
• Title（参考訳）: CORTEG:スカルプから頭蓋内脳記録へのクロスモーダル表現の伝達を可能にする基礎モデル
• Authors: Liuyin Yang, Qiang Sun, Bob Van Dyck, Eva Calvo Merino, Marc M. Van Hulle,
• Abstract要約: 頭蓋内皮質電図(ECoG)は、脳-コンピュータインターフェースのための皮質活動への高信号-雑音アクセスを提供する。 本研究では,ECoG に適応可能な大規模な頭皮-EEG ファンデーションモデル (EEG FMs) について検討する。 我々は、事前訓練されたEEG FMバックボーン、電極対応のKNNSoftFourier空間アダプタ、低周波および高ガンマ活動のためのデュアルストリームトークンーザを組み合わせたクロスモーダル転送フレームワークであるCORTEGを紹介する。
• 参考スコア（独自算出の注目度）: 6.409806752431095
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Intracranial electrocorticography (ECoG) offers high-signal-to-noise access to cortical activity for brain-computer interfaces, yet limited per-patient data has led most prior work to rely on small, subject-specific decoders that neglect information shared across patients. We investigate whether large pretrained scalp-EEG foundation models (EEG FMs) can be adapted to ECoG, enabling cross-patient learning and competitive decoding performance while calibrating to a held-out patient in 10-30 minutes on a single GPU. We introduce CORTEG, a cross-modality transfer framework that combines a pretrained EEG FM backbone, an electrode-aware KNNSoftFourier spatial adapter, a dual-stream tokenizer for low-frequency and high-gamma activity, and a leave-one-subject-out fine-tuning strategy. We evaluate CORTEG on two challenging regression tasks: public finger trajectory regression (n=9) and private audio envelope regression (n=16). CORTEG matches or exceeds the strongest task-specific baselines on both tasks: it reaches the highest mean correlation among compared methods on the public finger benchmark (gain not statistically significant on n=9 subjects), with larger and statistically significant gains on the audio task and in low-data per-patient calibration. Feature analyses align with neurophysiology, and latent manifolds capture low-dimensional finger-movement structure. CORTEG provides systematic evidence that scalp-EEG pretraining can be repurposed for ECoG decoding, enabling data-efficient intracranial BCIs that can adapt to new patients.
• Abstract（参考訳）: 頭蓋内皮質電図(ECoG)は、脳-コンピュータインターフェースの皮質活動に高信号から雑音でアクセスするが、患者ごとのデータに制限があるため、患者間で共有される情報を無視する小型の主題特異的デコーダに頼っている。 本研究では,1個のGPU上で10～30分で保持状態の患者に校正しながら,患者間学習と競合的復号性能を実現するため,脳波基礎モデル(EEG FM)をECoGに適用できるかどうかを検討する。 我々は、事前訓練されたEEG FMバックボーン、電極を意識したKNNSoftFourier空間アダプタ、低周波および高ガンマ活動のためのデュアルストリームトークン化器、および、離脱1サブジェクトアウト微調整戦略を組み合わせたクロスモーダル転送フレームワークであるCORTEGを紹介する。 我々は,公共指軌道回帰(n=9)とプライベートオーディオエンベロープ回帰(n=16)の2つの課題に対してCORTEGを評価した。 CORTEGは両タスクにおいて最強のタスク固有のベースラインに適合または超える: 公的な指のベンチマーク(n=9の被験者では統計的に有意ではない)で比較されたメソッド間で最も高い平均相関に達し、オーディオタスクと低データのキャリブレーションにおいて、より大きく統計的に有意な利得が得られる。 特徴解析は神経生理学と一致し、潜在多様体は低次元の指運動構造を捉えている。 CORTEGは、頭皮-EEG事前訓練がECoGデコードに再利用できるという系統的な証拠を提供し、新しい患者に適応できるデータ効率の良い頭蓋内BCIを可能にする。

関連論文リスト

• ECG Classification on PTB-XL: A Data-Centric Approach with Simplified CNN-VAE [0.0]
  我々は,データ前処理,クラスバランシング,単純化された畳み込みニューラルネットワークが,モデル複雑性を大幅に低減して競合性能を実現することを示す。 87.01%のバイナリ精度と0.7454の重み付きF1スコアを5つの診断クラスで達成し,トレーニング可能なパラメータは197,093であった。
  論文  参考訳（メタデータ） (2026-03-08T09:43:31Z)
• EEG Foundation Challenge: From Cross-Task to Cross-Subject EEG Decoding [63.898595224608464]
  2つの課題からなる大規模なコードベースのコンペティションを導入します。 Transfer Challengeは参加者に対して,新たなタスクと新たな課題をEEGデータからゼロショットデコード可能なモデルの構築とテストを求めるものだ。 精神病理因子予測チャレンジでは、参加者に脳波データからメンタルヘルスの指標を推測するよう求めている。
  論文  参考訳（メタデータ） (2025-06-23T21:25:19Z)
• CEReBrO: Compact Encoder for Representations of Brain Oscillations Using Efficient Alternating Attention [46.47343031985037]
  交互注意(CEReBrO)を用いた脳振動の表現のための圧縮法について紹介する。 トークン化方式は、チャネルごとのパッチで脳波信号を表現します。 本研究では,チャネル内時間的ダイナミックスとチャネル間空間的相関を共同でモデル化し,通常の自己アテンションに比べて6倍少ないメモリで2倍の速度向上を実現するための注意機構を提案する。
  論文  参考訳（メタデータ） (2025-01-18T21:44:38Z)
• Graph Adapter of EEG Foundation Models for Parameter Efficient Fine Tuning [1.8946099300030472]
  これらの課題に対処するために,パラメータ効率のよい微細チューニング(PEFT)手法であるEEG-GraphAdapter (EGA)を提案する。 EGAは、GNNベースのモジュールとしてトレーニング済みの時間バックボーンモデルに統合され、バックボーンを凍結し、アダプタのみを微調整できる。 重度抑うつ障害(MDD)と不規則性検出(TUAB)の2つの医療関連下流課題に対する実験的評価 : 背骨BENDRモデルと比較して,EGAがF1スコアで最大16.1%向上することを示す。
  論文  参考訳（メタデータ） (2024-11-25T07:30:52Z)
• FoME: A Foundation Model for EEG using Adaptive Temporal-Lateral Attention Scaling [19.85701025524892]
  FoME (Foundation Model for EEG) は適応的側方アテンションスケーリングを用いた新しいアプローチである。 FoMEは1.7TBの頭皮と頭蓋内脳波記録のデータセットで事前訓練されており、1,096kのステップで745Mのパラメータが訓練されている。
  論文  参考訳（メタデータ） (2024-09-19T04:22:40Z)
• MELEP: A Novel Predictive Measure of Transferability in Multi-Label ECG Diagnosis [1.3654846342364306]
  本稿では,事前学習したモデルから下流のECG診断タスクへの知識伝達の有効性を推定する手段であるMELEPを紹介する。 実験により、MELEPは、小・不均衡のECGデータに基づいて、事前学習した畳み込みと繰り返しの深部ニューラルネットワークの性能を予測できることを示した。
  論文  参考訳（メタデータ） (2023-10-27T14:57:10Z)
• DENS-ECG: A Deep Learning Approach for ECG Signal Delineation [15.648061765081264]
  本稿では,心拍のリアルタイムセグメンテーションのためのディープラーニングモデルを提案する。 提案アルゴリズムはDENS-ECGアルゴリズムと呼ばれ、畳み込みニューラルネットワーク(CNN)と長短期記憶(LSTM)モデルを組み合わせたものである。
  論文  参考訳（メタデータ） (2020-05-18T13:13:41Z)
• ECG-DelNet: Delineation of Ambulatory Electrocardiograms with Mixed Quality Labeling Using Neural Networks [69.25956542388653]
  ディープラーニング(DL)アルゴリズムは、学術的、産業的にも重くなっている。 セグメンテーションフレームワークにECGの検出とデライン化を組み込むことにより、低解釈タスクにDLをうまく適用できることを実証する。 このモデルは、PhyloNetのQTデータベースを使用して、105個の増幅ECG記録から訓練された。
  論文  参考訳（メタデータ） (2020-05-11T16:29:12Z)

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。