論文の概要: Cross-Subject Intracranial EEG Reconstruction from Scalp Recordings Using Multi-Scale Cross-Attention Transformers

• arxiv url: http://arxiv.org/abs/2605.18897v1
• Date: Sun, 17 May 2026 10:43:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-20 15:03:08.858029
• Title: Cross-Subject Intracranial EEG Reconstruction from Scalp Recordings Using Multi-Scale Cross-Attention Transformers
• Title（参考訳）: マルチスケールクロスアテンション変換器を用いた頭蓋内脳波再構成
• Authors: Tien-Dat Pham, Xuan-The Tran,
• Abstract要約: 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に必須の高忠実性神経記録を提供する。 本研究では, 他者に対して訓練したモデルを用いて頭蓋内信号の予測を行うことにより, クロスオブジェクトiEEG再建の課題に対処する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Intracranial EEG (iEEG) provides high-fidelity neural recordings essential for clinical and brain-computer interface applications, but acquiring these signals requires invasive surgery. While recent studies have attempted to estimate iEEG from non-invasive scalp EEG, most rely on patient-specific models, creating a circular dependency: if surgery is required to collect training data, the non-invasive model offers limited practical benefit. In this study, we address the challenge of cross-subject iEEG reconstruction by predicting intracranial signals for unseen patients using models trained on other individuals. We propose CAST (Cross-Attention Spatial-Temporal Transformer), a machine learning framework that translates scalp EEG into multi-channel iEEG waveforms through a two-stage transfer learning strategy. First, a temporal encoder extracts multi-scale neural representations at three different resolutions. Then, because electrode placements vary substantially across patients, a channel-aware decoder is calibrated using only a few minutes of data from the target subject. We evaluated the proposed method using leave-one-subject-out cross-validation on two public datasets comprising 1,282 iEEG channels. Experimental results demonstrate that CAST reconstructs cortical signals located near the scalp surface substantially better than deep subcortical activity. In highly observable sensorimotor regions, the model achieved peak correlations of up to r=0.864 in the precentral gyrus. Furthermore, with a channel selection strategy, CAST obtained a mean correlation of r=0.545 on viable subjects, outperforming previous within-subject baselines. These findings indicate that cortical iEEG signals can be reconstructed for unseen subjects from scalp EEG without extensive patient-specific training, and that only a brief calibration phase is sufficient to adapt the model to new hardware configurations.
• Abstract（参考訳）: 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に不可欠な高忠実な神経記録を提供するが、これらの信号を取得するには侵襲的な手術が必要である。 最近の研究では、非侵襲性頭皮脳波からiEEGを推定しようと試みているが、ほとんどは患者固有のモデルに依存しており、円形の依存を生じている。 本研究では, 他者に対して訓練したモデルを用いて頭蓋内信号の予測を行うことにより, クロスオブジェクトiEEG再建の課題に対処する。 CAST(Cross-Attention Spatial-Temporal Transformer)は,頭皮脳波を多チャンネルiEEG波形に変換する機械学習フレームワークである。 まず、時間エンコーダは、3つの異なる解像度でマルチスケールのニューラル表現を抽出する。 そして、電極配置が患者によって大きく異なるため、チャネル認識デコーダを対象者から数分のデータで校正する。 1,282のiEEGチャネルからなる2つの公開データセットに対して,残余単射出クロスバリデーションを用いて提案手法の評価を行った。 実験の結果,CASTは深部皮質活動よりも頭皮表面近傍の皮質信号の再構成が極めて良好であることが示唆された。 高度に観測可能なセンセーモレータ領域では, 前中央回で最大r=0.864のピーク相関が達成された。 さらに,チャネル選択戦略では,r=0.545の相関が得られた。 以上の結果より,大脳皮質のiEEG信号は,広範囲の患者固有の訓練を伴わずに,頭皮脳波の未確認者に対して再構成可能であること,また,新たなハードウェア構成に適応するためには,短時間の校正フェーズだけで十分であることが示唆された。

関連論文リスト

• CORTEG: Foundation Models Enable Cross-Modality Representation Transfer from Scalp to Intracranial Brain Recordings [6.409806752431095]
  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。
  論文  参考訳（メタデータ） (2026-05-11T10:40:42Z)
• Preventing Data Leakage in EEG-Based Survival Prediction: A Two-Stage Embedding and Transformer Framework [0.6509758931804478]
  深層学習モデルは、心停止後のコマトース患者の脳波による予後予測において有望であることが示されている。 しかし、その信頼性はしばしば微妙なデータ漏洩によって損なわれます。 本研究では,多段階脳波モデリングパイプラインにおいて,これまで見過ごされていたデータ漏洩形態を同定する。
  論文  参考訳（メタデータ） (2026-03-26T21:28:23Z)
• WaveNet's Precision in EEG Classification [1.0885910878567457]
  本研究では,脳波信号の生理的,病理学的,アーティファクト的,ノイズ的分類の自動化を目的としたWaveNetに基づくディープラーニングモデルを提案する。 モデルは、70/20/10%のスプリットで209,232個のサンプルをトレーニングし、検証し、テストした。 WaveNetのアーキテクチャは、もともと生音声合成のために開発されたもので、拡張因果畳み込みと残差接続を使用するため、EEGデータによく適している。
  論文  参考訳（メタデータ） (2025-10-10T09:21:21Z)
• 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)
• ADformer: A Multi-Granularity Spatial-Temporal Transformer for EEG-Based Alzheimer Detection [42.72554952799386]
  脳波は、アルツハイマー病(AD)の検出において神経科医を支援する費用効率が高く効率的なツールとして登場した 生の脳波信号から時間的特徴と空間的特徴の両方を捉えるために設計された新しい多粒度時空間変換器であるADformerを提案する。 実験の結果、ADformerは既存の手法を一貫して上回り、被験者レベルのF1スコアは92.82%、89.83%、67.99%、83.98%となっている。
  論文  参考訳（メタデータ） (2024-08-17T14:10:41Z)
• 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)
• MP-SeizNet: A Multi-Path CNN Bi-LSTM Network for Seizure-Type Classification Using EEG [2.1915057426589746]
  てんかん患者の治療と管理には, 精垂型鑑別が不可欠である。 本稿では,MP-SeizNetを用いた新しいマルチパス・アセプション型ディープラーニング・ネットワークを提案する。 MP-SeizNetは、畳み込みニューラルネットワーク(CNN)と、注意機構を備えた双方向長短期記憶ニューラルネットワーク(Bi-LSTM)で構成されている。
  論文  参考訳（メタデータ） (2022-11-09T01:07:20Z)
• Multiple Time Series Fusion Based on LSTM An Application to CAP A Phase Classification Using EEG [56.155331323304]
  本研究では,深層学習に基づく脳波チャンネルの特徴レベル融合を行う。 チャネル選択,融合,分類手順を2つの最適化アルゴリズムで最適化した。
  論文  参考訳（メタデータ） (2021-12-18T14:17:49Z)

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。