論文の概要: Spectral Priors vs. Attention: Investigating the Utility of Attention Mechanisms in EEG-Based Diagnosis

• arxiv url: http://arxiv.org/abs/2605.15433v1
• Date: Thu, 14 May 2026 21:26:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-18 21:22:26.110865
• Title: Spectral Priors vs. Attention: Investigating the Utility of Attention Mechanisms in EEG-Based Diagnosis
• Title（参考訳）: スペクトル優先と注意:脳波診断における注意機構の有用性の検討
• Authors: Tawsik Jawad, Gowtham Atluri, Vikram Ravindra,
• Abstract要約: 特徴構造に対するスペクトル選択的アプローチがクラス分離性を高めることを示す。 一次脳波帯内の信号強度を分離することにより、高次元の生データを高価値スペクトル特徴に変換する。
• 参考スコア（独自算出の注目度）: 0.802904964931021
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Electroencephalograph (EEG) timeseries signals are characterized by significant noise and coarse spatial resolution, which complicates the classification of neurodegenerative diseases. Even SOTA deep learning architectures struggle to distinguish between healthy controls and diseased subjects, or between different disease types, due to high intergroup similarity. In this paper, we show that a spectrally selective approach to feature construction enhances class separability. By isolating signal strengths within the primary brainwave bands, we transform high dimensional raw data into high value spectral features. Our results demonstrate that a) features derived from frequency and time frequency domain allow traditional machine learning models to match or exceed the performance of SOTA deep learning models, b) Attention mechanism is unable to distill the stable feature signatures that characterize healthy neural activity in both resting and task EEGs, and c) the limitations of attention based models in finding relevant spectral features appear to be fundamental in that providing frequency selective time domain input do not appreciably improve their performance. We validate our methodology across three open source resting EEG datasets and one task EEG dataset, providing robust empirical evidence for our claims.
• Abstract（参考訳）: 脳波の時系列信号は、大きなノイズと粗い空間分解能によって特徴づけられ、神経変性疾患の分類が複雑になる。 SOTAのディープラーニングアーキテクチャでさえ、高いグループ間類似性のため、健康的なコントロールと疾患のある被験者、または異なるタイプの疾患の区別に苦慮している。 本稿では,特徴構造に対するスペクトル選択的アプローチにより,クラス分離性が向上することを示す。 一次脳波帯内の信号強度を分離することにより、高次元の生データを高価値スペクトル特徴に変換する。 私たちの結果は a) 周波数及び時間周波数領域から派生した特徴により、従来の機械学習モデルは、SOTA深層学習モデルの性能に適合又は超えることができる。 ロ 安静時及び課題脳波の正常な神経活動の特徴を特徴付ける安定な特徴シグネチャを蒸留できないこと。 c) 周波数選択時間領域入力の提供が性能を良好に改善しないという点において、関連するスペクトル特徴の発見における注意ベースモデルの限界は、基本的なものと思われる。 我々は3つのオープンソースの静止脳波データセットと1つのタスク脳波データセットにまたがって方法論を検証し、我々の主張に対する堅牢な実証的証拠を提供する。

関連論文リスト

• BEAT-Net: Injecting Biomimetic Spatio-Temporal Priors for Interpretable ECG Classification [1.3909285316906435]
  BEAT-NetはTokenizationフレームワークを用いたバイオミメティックECG分析である。 局所的なビート形態を抽出する特殊なエンコーダによって心臓生理を分解する。 例外的なデータ効率を示し、注釈付きデータの30～35%しか使用せずに、完全に教師付きのパフォーマンスを回復する。
  論文  参考訳（メタデータ） (2026-01-12T08:37:47Z)
• A Semantically Enhanced Generative Foundation Model Improves Pathological Image Synthesis [82.01597026329158]
  本稿では,組織合成のための相関調整フレームワーク(CRAFTS)について紹介する。 CRAFTSは、生物学的精度を確保するためにセマンティックドリフトを抑制する新しいアライメント機構を組み込んでいる。 本モデルは,30種類の癌にまたがる多彩な病理像を生成する。
  論文  参考訳（メタデータ） (2025-12-15T10:22:43Z)
• A Novel Data Augmentation Strategy for Robust Deep Learning Classification of Biomedical Time-Series Data: Application to ECG and EEG Analysis [2.355460994057843]
  本研究では,様々な信号タイプにまたがる最先端性能を実現する,新しい統合型深層学習フレームワークを提案する。 従来の研究とは異なり、将来予測能力を達成するために信号の複雑さを科学的に増加させ、最高の予測を導いた。 アーキテクチャには130MBのメモリとプロセスが10ミリ秒で必要であり、ローエンドデバイスやウェアラブルデバイスへのデプロイに適していることを示唆している。
  論文  参考訳（メタデータ） (2025-07-16T21:38:10Z)
• 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)
• 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)
• Feature Estimation of Global Language Processing in EEG Using Attention Maps [5.173821279121835]
  本研究は,脳波の特徴推定に新たなアプローチを導入し,深層学習モデルの重みを利用してその関連を探索する。 視覚変換器とEEGNetから生成したアテンションマップは,従来の研究結果と一致した特徴を効果的に同定できることを実証する。 ViTsを用いたMel-Spectrogramの適用により、時間および周波数関連脳波特性の分解能が向上する。
  論文  参考訳（メタデータ） (2024-09-27T22:52:31Z)
• A multi-artifact EEG denoising by frequency-based deep learning [5.231056284485742]
  我々は周波数領域で動作する新しい脳波復調モデルを開発し、ノイズスペクトルの特徴に関する事前知識を活用している。 EEGdenoiseNetデータセットの性能評価は、提案モデルが時間およびスペクトルの指標に応じて最適な結果を得ることを示す。
  論文  参考訳（メタデータ） (2023-10-26T12:01:47Z)
• Power Spectral Density-Based Resting-State EEG Classification of First-Episode Psychosis [1.3416169841532526]
  脳の異常活動パターンの同定における刺激非依存型脳波の有用性を示す。 複数の周波数帯域を組み込んだ一般化モデルでは、脳波バイオマーカーとFEP(First-Episode Psychosis)を関連付けるのがより効率的である。 本稿では,PSD解析における前処理手法の総合的な考察と,異なるモデルの詳細な比較について述べる。
  論文  参考訳（メタデータ） (2022-11-23T00:28:41Z)

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。