論文の概要: Atoms of Thought: Universal EEG Representation Learning with Microstates

• arxiv url: http://arxiv.org/abs/2605.20182v1
• Date: Tue, 19 May 2026 17:59:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-20 15:03:09.580587
• Title: Atoms of Thought: Universal EEG Representation Learning with Microstates
• Title（参考訳）: 思考の原子: マイクロステートを用いたユニバーサル脳波表現学習
• Authors: Xinyang Tian, Ruitao Liu, Ziyi Ye, Siyang Xue, Xin Wang, Xuesong Chen,
• Abstract要約: 脳波(EEG)信号から普遍的な表現を学ぶことは、神経情報学の分野における最先端のアプローチである。 本稿では, 簡便かつ効果的な脳波表現, すなわちマイクロステートについて検討する。 連続した脳波信号を離散的なマイクロステートのシーケンスにクラスタリングすることで、大きな医療用脳波データセットから普遍的なマイクロステートトークンを作成する。
• 参考スコア（独自算出の注目度）: 8.522741228954414
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Learning universal representations from electroencephalogram (EEG) signals is a cutting-edge approach in the field of neuroinformatics and brain-computer interfaces (BCIs). Conventionally, EEG is treated as a multivariate temporal signal, where time- or frequency-domain features are extracted for representation learning. This paper investigates a simple yet effective EEG representation, i.e., microstates. Microstates represent the building blocks of brain activity patterns at a microscopic time scale. We build a universal microstate tokenizer from a large medical EEG dataset by clustering continuous EEG signals into sequences of discrete microstates. The microstate tokenizer is then adopted universally across a series of downstream tasks, including sleep staging, emotion recognition, and motor imagery classification. Experimental results show that EEG representation learning with microstates outperforms traditional time-domain and frequency-domain features under different models and across different tasks. Further analysis shows that microstates offer greater interpretability and scalability, thereby opening up applications in both cognitive neuroscience and clinical research.
• Abstract（参考訳）: 脳波(EEG)信号から普遍的な表現を学ぶことは、神経情報学と脳-コンピュータインターフェース(BCI)の分野における最先端のアプローチである。 従来、EEGは多変量時間信号として扱われ、時間領域や周波数領域の特徴を抽出して表現学習を行う。 本稿では, 簡便かつ効果的な脳波表現, すなわちマイクロステートについて検討する。 マイクロステートは、顕微鏡的な時間スケールで脳の活動パターンの構成要素を表す。 連続した脳波信号を離散的なマイクロステートのシーケンスにクラスタリングすることで、大きな医療用脳波データセットから普遍的なマイクロステートトークンを作成する。 マイクロステートトークン化器は、睡眠ステージング、感情認識、運動画像分類など、一連の下流タスクに普遍的に採用される。 実験結果から, マイクロステートを用いた脳波表現学習は, 従来の時間領域と周波数領域の特徴を異なるモデル, 異なるタスクで上回ることがわかった。 さらなる分析により、マイクロステートはより解釈可能性と拡張性を提供し、認知神経科学と臨床研究の両方に応用を開放することが示された。

関連論文リスト

• NeurIPT: Foundation Model for Neural Interfaces [13.659630322026095]
  NeurIPTは、トレーニング済みトランスフォーマーを備えた多様なEEGベースのニューラルインタフェース向けに開発された基礎モデルである。 我々はAAMP(Amplitude-Aware Masked Pretraining)を導入し、局所的以外の様々な信号強度にわたる堅牢な表現を学習する。 また、局所脳の特徴を効果的に活用するために、微調整中にインターローブプール(IILP)を開発する。
  論文  参考訳（メタデータ） (2025-10-18T15:45:00Z)
• WaveMind: Towards a Conversational EEG Foundation Model Aligned to Textual and Visual Modalities [55.00677513249723]
  脳波信号は認知過程と固有の神経状態の両方を同時に符号化する。 我々は、EEG信号とその対応するモダリティを統一意味空間にマッピングし、一般化された解釈を実現する。 結果として得られたモデルは、柔軟でオープンな会話をサポートしながら、堅牢な分類精度を示す。
  論文  参考訳（メタデータ） (2025-09-26T06:21:51Z)
• EEG-MSAF: An Interpretable Microstate Framework uncovers Default-Mode Decoherence in Early Neurodegeneration [7.707948070559431]
  認知症 (DEM) は世界的な健康問題であり、早期かつ正確な診断の必要性を浮き彫りにしている。 我々はDEM関連バイオマーカーを識別するエンドツーエンドパイプラインである textbfEEG Microstate Analysis Framework (EEG-MSAF) を提案する。 EEG-MSAFは,(1)マイクロステートの特徴抽出,(2)機械学習による分類,(3)重要バイオマーカーの強調のための特徴ランキングの3段階からなる。
  論文  参考訳（メタデータ） (2025-08-18T15:54:29Z)
• 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)
• Time-varying EEG spectral power predicts evoked and spontaneous fMRI motor brain activity [4.2991900707527915]
  脳波-fMRI同時記録は、fMRI信号と脳波信号の相補的な高空間分解能と高時間分解能をそれぞれ利用することにより、脳活動の研究にますます利用されている。 本稿では,Sparse Group Lasso正則化を用いた個別被験者を対象とした解釈モデルを用いて,運動脳ネットワークのタスク誘発信号と自発fMRI信号の両方を予測できるかどうかを検討する。
  論文  参考訳（メタデータ） (2025-04-14T22:54:41Z)
• CognitionCapturer: Decoding Visual Stimuli From Human EEG Signal With Multimodal Information [61.1904164368732]
  脳波信号の表現にマルチモーダルデータを完全に活用する統合フレームワークであるCognitionCapturerを提案する。 具体的には、CognitionCapturerは、各モダリティに対してモダリティエキスパートを訓練し、EEGモダリティからモダリティ情報を抽出する。 このフレームワークは生成モデルの微調整を一切必要とせず、より多くのモダリティを組み込むように拡張することができる。
  論文  参考訳（メタデータ） (2024-12-13T16:27:54Z)
• Leveraging sinusoidal representation networks to predict fMRI signals from EEG [3.3121941932506473]
  本稿では,マルチチャネル脳波から直接fMRI信号を予測できる新しいアーキテクチャを提案する。 本モデルは,脳波の周波数情報を学習するための正弦波表現ネットワーク(SIREN)を実装して実現している。 我々は,脳波-fMRI同時データセットを8被験者で評価し,脳皮質下 fMRI 信号の予測の可能性について検討した。
  論文  参考訳（メタデータ） (2023-11-06T03:16:18Z)
• fMRI from EEG is only Deep Learning away: the use of interpretable DL to unravel EEG-fMRI relationships [68.8204255655161]
  多チャンネル脳波データからいくつかの皮質下領域の活性を回復するための解釈可能な領域基底解を提案する。 我々は,皮質下核の血行動態信号の頭皮脳波予測の空間的・時間的パターンを復元する。
  論文  参考訳（メタデータ） (2022-10-23T15:11:37Z)
• 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)

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。