論文の概要: Let EEG Models Learn EEG

• arxiv url: http://arxiv.org/abs/2605.21280v1
• Date: Wed, 20 May 2026 15:10:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-21 19:19:56.745316
• Title: Let EEG Models Learn EEG
• Title（参考訳）: 脳波モデルに脳波を学習させる
• Authors: Yifan Wang, Yijia Ma, Wen Li, Chenyu You,
• Abstract要約: Just EEG Transformer (Jet) は条件付きフローマッチングに基づく生成フレームワークであり、連続した軌道に沿って進化する生のシーケンスとしてEEGをモデル化する。 Jetは最先端のパフォーマンスを一貫して達成し、強力なベースラインに比べてTS-FIDを40%以上削減する。
• 参考スコア（独自算出の注目度）: 20.64210550961759
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: High-fidelity EEG generation is critical for alleviating data scarcity and addressing privacy constraints in large-scale neural modeling. Despite recent progress, most existing approaches formulate EEG generation via discrete denoising objectives, which inadequately reflect the inherently continuous temporal dynamics and spectral structure of neural activity. As a result, these methods often struggle to preserve long-range temporal dependencies and exhibit mismatches in the spectral and temporal structure of the generated signals. In this work, we argue that effective EEG generation requires models that operate directly on the continuous evolution of neural signals. We introduce Just EEG Transformer (JET), a generative framework based on conditional flow matching that models EEG as raw sequences evolving along continuous trajectories. By learning a smooth vector field that transports noise to the EEG data distribution, JET captures temporal continuity and transient dynamics without relying on discretized denoising schemes or domain-specific representations. To ensure that the learned dynamics remain consistent with key properties of EEG signals, we introduce principled constraints that preserve spectral structure, temporal stationarity, and signal-level statistics. Across three large-scale benchmarks, JET consistently achieves state-of-the-art performance, reducing TS-FID by over 40% compared to strong baselines. Extensive analyses show that JET captures key structural properties of neural dynamics, providing a scalable and principled approach to EEG generation. Project page: https://y-research-sbu.github.io/JET/ .
• Abstract（参考訳）: 高忠実度脳波生成は、データの不足を緩和し、大規模ニューラルネットワークにおけるプライバシー制約に対処するために重要である。 近年の進歩にもかかわらず、既存のほとんどのアプローチは、神経活動の本質的に連続した時間的ダイナミクスとスペクトル構造を不適切に反映する離散的認知的目的によって脳波生成を定式化している。 結果として、これらの手法は、しばしば長距離の時間的依存を保ち、生成された信号のスペクトルと時間的構造にミスマッチを示すのに苦労する。 本研究では,脳波を効果的に生成するには,神経信号の連続的進化を直接操作するモデルが必要であると論じる。 我々は、JET(Just EEG Transformer)という条件付きフローマッチングに基づく生成フレームワークを導入し、連続的な軌道に沿って進化する生のシーケンスとしてEEGをモデル化する。 ノイズを脳波データ分布に伝達する滑らかなベクトル場を学習することにより、JETは離散化された復調スキームやドメイン固有表現に頼ることなく、時間的連続性と過渡的ダイナミクスをキャプチャする。 学習力学が脳波信号の鍵的特性と整合性を保つために,スペクトル構造,時間的定常性,信号レベル統計量を保存する原理的制約を導入する。 3つの大規模なベンチマークで、JETは一貫して最先端のパフォーマンスを実現し、強力なベースラインに比べてTS-FIDを40%以上削減している。 広範囲な分析により、JETは神経力学の重要な構造特性を捉え、脳波生成に対するスケーラブルで原則化されたアプローチを提供することが示された。 プロジェクトページ: https://y-research-sbu.github.io/JET/

関連論文リスト

• Spectral Priors vs. Attention: Investigating the Utility of Attention Mechanisms in EEG-Based Diagnosis [0.802904964931021]
  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。
  論文  参考訳（メタデータ） (2026-05-14T21:26:07Z)
• Optimizing EEG Graph Structure for Seizure Detection: An Information Bottleneck and Self-Supervised Learning Approach [18.046321072873656]
  脳波の発作検出の新しい視点として,認知された動的グラフ構造と情報的空間時間的表現を共同学習する。 我々のグラフは、EEGデータのノイズ特性を明示的に説明し、コンパクトで信頼性の高い接続パターンを生成する。 本手法は、発作検出における最先端のベースラインよりも優れており、発作動態に関する臨床的に有意義な洞察を提供する。
  論文  参考訳（メタデータ） (2026-04-02T04:09:10Z)
• SpecMoE: Spectral Mixture-of-Experts Foundation Model for Cross-Species EEG Decoding [0.0]
  SpecMoEは、学習されたスペクトルゲーティングメカニズムによってガイドされるエキスパートフレームワークの混合である。 睡眠ステージング、感情認識、運動像分類、異常信号検出、薬物効果予測など、さまざまな脳波デコーディングタスクのセットで最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2026-03-17T16:20:14Z)
• EFF-Grasp: Energy-Field Flow Matching for Physics-Aware Dexterous Grasp Generation [54.09734511705173]
  EFF-Graspは、物理を意識したデクサラスグリップ生成のためのフローマッチング合成ベースのフレームワークである。 我々は、スムーズな確率フローによる効率的な安定な生成を可能にする決定論的常微分方程式(ODE)プロセスとして、グリップを再構成する。 EFF-Graspは、拡散ベースラインよりもサンプリングステップを著しく少なくしながら、把握品質と物理的実現性において優れた性能を実現する。
  論文  参考訳（メタデータ） (2026-03-17T06:11:56Z)
• 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)
• SeaDAG: Semi-autoregressive Diffusion for Conditional Directed Acyclic Graph Generation [83.52157311471693]
  方向性非巡回グラフ(DAG)の条件生成のための半自己回帰拡散モデルSeaDAGを紹介する。 グローバルグラフ構造を欠いた従来の自己回帰生成とは異なり,本手法は拡散ステップ毎に完全なグラフ構造を保持する。 本研究では,現実的なDAGを生成する拡散モデルの能力を高めるために,条件損失を伴うグラフ条件学習を明示的に訓練する。
  論文  参考訳（メタデータ） (2024-10-21T15:47:03Z)
• REST: Efficient and Accelerated EEG Seizure Analysis through Residual State Updates [54.96885726053036]
  本稿では,リアルタイム脳波信号解析のための新しいグラフベース残状態更新機構(REST)を提案する。 グラフニューラルネットワークとリカレント構造の組み合わせを活用することで、RESTは、非ユークリッド幾何学とEEGデータ内の時間的依存関係の両方を効率的にキャプチャする。 本モデルは,発作検出と分類作業において高い精度を示す。
  論文  参考訳（メタデータ） (2024-06-03T16:30:19Z)
• Detecting Anomalies in Dynamic Graphs via Memory enhanced Normality [39.476378833827184]
  動的グラフにおける異常検出は、グラフ構造と属性の時間的進化によって大きな課題となる。 時空間記憶強調グラフオートエンコーダ(STRIPE)について紹介する。 STRIPEは、AUCスコアが5.8%改善し、トレーニング時間が4.62倍速く、既存の手法よりも大幅に優れている。
  論文  参考訳（メタデータ） (2024-03-14T02:26:10Z)
• Artificial Intelligence for EEG Prediction: Applied Chaos Theory [0.0]
  この研究は、応用カオス理論と力学系理論の原理を融合させ、新しい特徴セットを創出する。 この試みの土台はトランスフォーマーに基づくシーケンス・ツー・シーケンス・アーキテクチャであり、非線形および高次元の時間的依存関係を正確に捉えている。 我々のモデルは、EEGデータシーケンス予測の先駆者であり、顕著な一般化性と堅牢性を示している。
  論文  参考訳（メタデータ） (2023-10-03T14:58:23Z)
• DGSD: Dynamical Graph Self-Distillation for EEG-Based Auditory Spatial Attention Detection [49.196182908826565]
  AAD(Auditory Attention Detection)は、マルチスピーカー環境で脳信号からターゲット話者を検出することを目的としている。 現在のアプローチは主に、画像のようなユークリッドデータを処理するために設計された従来の畳み込みニューラルネットワークに依存している。 本稿では、入力として音声刺激を必要としないAADのための動的グラフ自己蒸留(DGSD)手法を提案する。
  論文  参考訳（メタデータ） (2023-09-07T13:43:46Z)
• DriPP: Driven Point Processes to Model Stimuli Induced Patterns in M/EEG Signals [62.997667081978825]
  我々はDriPPと呼ばれる新しい統計点過程モデルを開発する。 我々は、このモデルのパラメータを推定するために、高速で原理化された予測最大化(EM)アルゴリズムを導出する。 標準MEGデータセットの結果から,我々の手法が事象関連ニューラルレスポンスを明らかにすることが示された。
  論文  参考訳（メタデータ） (2021-12-08T13:07:21Z)

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。