論文の概要: NeuroAtlas: Benchmarking Foundation Models for Clinical EEG and Brain-Computer Interfaces

• arxiv url: http://arxiv.org/abs/2605.14698v1
• Date: Thu, 14 May 2026 11:13:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-15 21:45:34.788354
• Title: NeuroAtlas: Benchmarking Foundation Models for Clinical EEG and Brain-Computer Interfaces
• Title（参考訳）: NeuroAtlas: 臨床脳波と脳-コンピュータインタフェースのためのベンチマーク基礎モデル
• Authors: Konstantinos Kontras, Trui Osselaer, Stylianos G. Mouslech, Angeliki-Ilektra Karaiskou, Guido Gagliardi, Thomas Strypsteen, Mohammad Hossein Badiei, Anku Rani, Maarten Vanmarcke, Miguel Bhagubai, Chanakya Ekbote, Jaedong Hwang, Christos Chatzichristos, Paul Pu Liang, Maarten De Vos,
• Abstract要約: ファンデーションモデルは、下流タスクにまたがる一般化された表現を抽出することを約束する。 EEG固有のFMは、時系列FMを一貫して上回るものではない。 現在のモデルは、まだ最初から統合されたEEGモデルの約束を達成していない。
• 参考スコア（独自算出の注目度）: 24.672695443264995
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Foundation models (FMs) promise to extract unified representations that generalize across downstream tasks. They have emerged across fields, including electroencephalography (EEG), but it is less clear how effective they are in this particular field. Published evaluations differ in datasets, in the EEG-specific preprocessing that might influence reported results, and in the reported metrics, frequently obscuring the clinical relevance in EEG. We introduce NeuroAtlas, the largest EEG benchmark to date: 42 datasets and 260k hours covering clinical EEG (epilepsy, sleep medicine, brain age estimation) and brain-computer interfaces, and include multiple datasets per task along with bespoke clinical evaluation metrics. Besides evaluating EEG-FMs with respect to supervised baselines, we present results from generic time-series FMs. We report three findings. First, EEG-specific FMs do not consistently outperform time-series FMs, which have neither EEG-focused architectures nor been pretrained on EEG. Second, standard machine learning metrics are insufficient to assess clinical utility: thus, we thoroughly evaluate more appropriate measures such as the quality of event-level decision-making, hypnogram-derived features, and the brain-age gap in the domains of epilepsy, sleep, and brain age, respectively. Third, model rankings and performance can vary substantially within domains. We conclude that pretrained models perform largely on par, with only narrow advantages for a few, and that current models do not yet deliver on the promise of an out-of-the-box unified EEG model. NeuroAtlas exposes this gap and provides the datasets and metrics for the next generation of unified EEG FMs.
• Abstract（参考訳）: ファンデーションモデル(FM)は、下流のタスクにまたがる一般化された表現を抽出することを約束する。 脳波学(EEG)を含む分野にまたがって出現しているが、この分野における効果は明らかになっていない。 公表された評価は、データセット、報告された結果に影響を与える可能性のあるEEG固有の前処理、そして報告されたメトリクスにおいて、しばしば脳波の臨床的関連性を無視する。 これまでで最大のEEGベンチマークであるNeuroAtlasは、臨床脳波(てんかん、睡眠薬、脳年齢推定)と脳-コンピュータインターフェースをカバーする42のデータセットと260k時間の時間で、タスク毎に複数のデータセットを含む。 教師付きベースラインに対するEEG-FMの評価に加えて、一般的な時系列FMの結果も提示する。 我々は3つの発見を報告した。 第一に、EEG固有のFMは、EEGにフォーカスしたアーキテクチャや、EEGで事前訓練されていない時系列FMを一貫して上回るものではない。 第2に、標準的な機械学習メトリクスは、臨床的有用性を評価するには不十分であり、我々は、それぞれてんかん、睡眠、脳年齢の領域における、事象レベルの意思決定の質、催眠機能、脳年齢差などのより適切な尺度を徹底的に評価する。 第3に、モデルランキングとパフォーマンスはドメインによって大きく異なる可能性がある。 我々は、事前訓練されたモデルは、ごくわずかの利点しか持たず、ほぼ同等に動作し、現在のモデルは、まだ最初から統合されたEEGモデルの約束を果たさないと結論付けている。 NeuroAtlasはこのギャップを公開し、次世代のEEG FMのためのデータセットとメトリクスを提供する。

関連論文リスト

• CLEF: EEG Foundation Model for Learning Clinical Semantics [50.3767252824646]
  CLEFは,脳波基礎モデルである。 CLEFは, 疾患の表現型, 薬物曝露, 脳波所見にまたがる新しい234タスク・ベンチマークで評価した。
  論文  参考訳（メタデータ） (2026-05-11T16:34:58Z)
• Omni-iEEG: A Large-Scale, Comprehensive iEEG Dataset and Benchmark for Epilepsy Research [4.4167069169736655]
  $textbf Omni-iEEG は $textbf302 患者$と $textbf178 時間高解像度記録を含む大規模で手術前の iEEG リソースである。 発作性発症ゾーン、切除、手術結果などの調和した臨床メタデータが含まれており、診断されたてんかん医によって検証されている。 臨床的に意味のあるタスクを定義し、臨床に関係のある環境でモデルの体系的な評価を可能にする。
  論文  参考訳（メタデータ） (2026-02-17T22:55:11Z)
• EEGDM: EEG Representation Learning via Generative Diffusion Model [17.595769291603688]
  生成拡散モデル(EEGDM)に基づく脳波表現学習フレームワークを提案する。 具体的には,拡散事前学習のための構造化状態空間モデルを開発し,DDPM(Denoising Diffusion Probabilistic Model)フレームワークを用いて学習を行った。 提案した潜時核融合変換器 (LFT) を用いた下流分類作業において, 得られた潜時脳波表現を用いた。
  論文  参考訳（メタデータ） (2025-08-13T14:40:52Z)
• EEG Foundation Models: A Critical Review of Current Progress and Future Directions [4.096453902709292]
  自己監督型脳波エンコーダは汎用脳波基盤モデル(EEG-FM)への移行を引き起こしている 本研究は10個の脳波-FMを概説し,その方法論,経験的発見,および卓越した研究ギャップの批判的な合成について述べる。
  論文  参考訳（メタデータ） (2025-07-15T22:52:44Z)
• 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)
• RISE-iEEG: Robust to Inter-Subject Electrodes Implantation Variability iEEG Classifier [0.0]
  頭蓋内脳波(iEEG)は、臨床および脳-コンピュータインターフェースの応用にますます使われている。 本稿では, 電極内注入変動に頑健な新しいデコーダモデルを提案する。 我々はこのモデルをRISE-iEEGと呼び、このモデルはRobust to Inter-Subject Electrode implantation Variability iEEG の略である。
  論文  参考訳（メタデータ） (2024-08-12T18:33:19Z)
• Task-oriented Self-supervised Learning for Anomaly Detection in Electroencephalography [51.45515911920534]
  タスク指向型自己教師型学習手法を提案する。 大きなカーネルを持つ特定の2つの分岐畳み込みニューラルネットワークを特徴抽出器として設計する。 効果的に設計され、訓練された特徴抽出器は、より優れた特徴表現を脳波から抽出できることが示されている。
  論文  参考訳（メタデータ） (2022-07-04T13:15:08Z)
• Data augmentation for learning predictive models on EEG: a systematic comparison [79.84079335042456]
  脳波(EEG)分類タスクの深層学習は、ここ数年急速に増加している。 EEG分類タスクのディープラーニングは、比較的小さなEEGデータセットによって制限されている。 データ拡張は、コンピュータビジョンや音声などのアプリケーションにまたがる最先端のパフォーマンスを得るために重要な要素となっている。
  論文  参考訳（メタデータ） (2022-06-29T09:18:15Z)
• A Novel Transferability Attention Neural Network Model for EEG Emotion Recognition [51.203579838210885]
  脳波感情認識のための伝達型注目ニューラルネットワーク(TANN)を提案する。 TANNは、伝達可能な脳波領域のデータとサンプルを適応的に強調することにより、感情的な識別情報を学習する。 これは、複数の脳領域レベル判別器と1つのサンプルレベル判別器の出力を測定することで実現できる。
  論文  参考訳（メタデータ） (2020-09-21T02:42:30Z)
• Uncovering the structure of clinical EEG signals with self-supervised learning [64.4754948595556]
  教師付き学習パラダイムは、しばしば利用可能なラベル付きデータの量によって制限される。 この現象は脳波(EEG)などの臨床関連データに特に問題となる。 ラベルのないデータから情報を抽出することで、ディープニューラルネットワークとの競合性能に到達することができるかもしれない。
  論文  参考訳（メタデータ） (2020-07-31T14:34:47Z)

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。