論文の概要: L-FAME: Longitudinal Focused Attention Meditation EEG Dataset and Benchmark

• arxiv url: http://arxiv.org/abs/2605.22893v1
• Date: Thu, 21 May 2026 14:09:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-25 17:29:20.029119
• Title: L-FAME: Longitudinal Focused Attention Meditation EEG Dataset and Benchmark
• Title（参考訳）: L-FAME: 長期集中型注意喚起脳波データセットとベンチマーク
• Authors: Angqi Li, Ab Basit Rafi Syed, Hamzeh Alzweri, Taosheng Liu, Barry H. Cohen, Saiprasad Ravishankar,
• Abstract要約: 本稿では,L-FAME(Longitudinal Focused Attention Meditation Electroencephalography)データセットとそれに伴うベンチマークを紹介する。 このデータセットには、健康な74人の大学生の脳波記録と心理的評価が含まれている。
• 参考スコア（独自算出の注目度）: 8.01896489328029
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: We introduce a novel Longitudinal Focused Attention Meditation Electroencephalography (L-FAME) dataset and an accompanying benchmark, designed to foster research into the neural effects of various meditation practices and the evolution of these effects over a six-week training period. The dataset contains EEG recordings and psychological assessments from 74 healthy college participants, collected at two distinct time points: pre-intervention and post-intervention. Participants were randomly assigned to one of three distinct meditation groups: two mantra-based techniques (SA-TA-NA-MA and Hare Krishna) and one Breath Focus practice. Leveraging this unique longitudinal and comparative dataset, we propose a benchmark suite comprising three distinct classification tasks: (1) cognitive state decoding to distinguish between resting and meditation states, (2) fine-grained classification of the specific meditation techniques, and (3) cross-session adaptation to evaluate model generalization across the longitudinal time gap. We provide comprehensive baseline results for these tasks utilizing a range of classical machine learning algorithms and deep learning architectures. The complete dataset, preprocessing pipelines, and benchmark evaluation code will be publicly released, offering a valuable resource and a standardized framework for the development and comparison of new analytical methods in computational meditation research and EEG-based machine learning. The dataset is available at https://huggingface.co/datasets/L-FAME-Dataset-Benchmark/L-FAME
• Abstract（参考訳）: 本稿では,L-FAME(Longitudinal Focused Atditation Electroencephalography)データセットとそれに伴うベンチマークについて紹介する。 このデータセットには、74人の健康な大学の参加者による脳波記録と心理的評価が含まれており、前介入と後介入という2つの異なるタイミングで収集されている。 被験者は無作為に2つのマントラ法(SA-TA-NA-MAとHare Krishna)と1つのブレスフォーカス法(Breath Focus practice)の1つに割り当てられた。 このユニークな縦断的・比較的データセットを応用し,(1)休息状態を識別するための認知状態復号,(2)特定の想起技法のきめ細かい分類,(3)縦断時間間隔におけるモデル一般化を評価するためのクロスセッション適応という,3つの異なる分類タスクからなるベンチマークスイートを提案する。 従来の機械学習アルゴリズムとディープラーニングアーキテクチャを用いて,これらのタスクに対する総合的なベースライン結果を提供する。 完全なデータセット、前処理パイプライン、ベンチマーク評価コードは公開され、計算想学研究とEEGベースの機械学習における新しい分析手法の開発と比較のための貴重なリソースと標準化されたフレームワークを提供する。 データセットはhttps://huggingface.co/datasets/L-FAME-Dataset-Benchmark/L-FAMEで利用可能である。

関連論文リスト

• Test-time Offline Reinforcement Learning on Goal-related Experience [50.94457794664909]
  基礎モデルの研究では、テストタイムトレーニングによってパフォーマンスが大幅に改善できることが示されている。 本稿では、オフラインデータセットから現在の状態への関連性に応じて遷移を選択する、新しい自己教師型データ選択基準を提案する。 目標条件付きテストタイムトレーニング(GC-TTT)アルゴリズムは、評価中にこのルーチンを後退水平方式で適用し、現在の軌道にポリシーを適用する。
  論文  参考訳（メタデータ） (2025-07-24T21:11:39Z)
• CLARE: Cognitive Load Assessment in REaltime with Multimodal Data [22.170136019406556]
  このデータセットには、自己報告された認知負荷スコアを持つ24人の被験者の生理的および視力的なデータが含まれている。 このデータセットは、心電図(ECG)、心電図(EDA)、脳波(EEG)、迷路追跡の4つのモードから構成される。
  論文  参考訳（メタデータ） (2024-04-26T01:17:06Z)
• Skeleton2vec: A Self-supervised Learning Framework with Contextualized Target Representations for Skeleton Sequence [56.092059713922744]
  予測対象として高レベルな文脈化機能を使用することで,優れた性能が得られることを示す。 具体的には、シンプルで効率的な3D行動表現学習フレームワークであるSkeleton2vecを提案する。 提案するSkeleton2vecは,従来の手法より優れ,最先端の結果が得られる。
  論文  参考訳（メタデータ） (2024-01-01T12:08:35Z)
• Predicting Infant Brain Connectivity with Federated Multi-Trajectory GNNs using Scarce Data [54.55126643084341]
  既存のディープラーニングソリューションには,3つの大きな制限がある。 我々はフェデレートグラフベースの多軌道進化ネットワークであるFedGmTE-Net++を紹介する。 フェデレーションの力を利用して、限られたデータセットを持つ多種多様な病院の地域学習を集約する。
  論文  参考訳（メタデータ） (2024-01-01T10:20:01Z)
• Extraction of volumetric indices from echocardiography: which deep learning solution for clinical use? [6.144041824426555]
  提案した3D nnU-Netは,2D法と繰り返しセグメンテーション法よりも優れていることを示す。 実験の結果、十分なトレーニングデータがあれば、3D nnU-Netは日常的な臨床機器の基準を満たす最初の自動化ツールとなる可能性が示唆された。
  論文  参考訳（メタデータ） (2023-05-03T09:38:52Z)
• Time Associated Meta Learning for Clinical Prediction [78.99422473394029]
  本稿では,時間関連メタラーニング(TAML)手法を提案する。 タスク分割後のスパーシリティ問題に対処するため、TAMLは時間情報共有戦略を採用し、正のサンプル数を増やす。 複数の臨床データセットに対するTAMLの有効性を示す。
  論文  参考訳（メタデータ） (2023-03-05T03:54:54Z)
• Learning from Temporal Spatial Cubism for Cross-Dataset Skeleton-based Action Recognition [88.34182299496074]
  アクションラベルはソースデータセットでのみ利用可能だが、トレーニング段階のターゲットデータセットでは利用できない。 我々は,2つの骨格に基づく行動データセット間の領域シフトを低減するために,自己スーパービジョン方式を利用する。 時間的セグメントや人体部分のセグメンテーションとパーフォーミングにより、我々は2つの自己教師あり学習分類タスクを設計する。
  論文  参考訳（メタデータ） (2022-07-17T07:05:39Z)
• 2021 BEETL Competition: Advancing Transfer Learning for Subject Independence & Heterogenous EEG Data Sets [89.84774119537087]
  我々は、診断とBCI(Brain-Computer-Interface)に関する2つの伝達学習課題を設計する。 第1タスクは、患者全体にわたる自動睡眠ステージアノテーションに対処する医療診断に重点を置いている。 タスク2はBrain-Computer Interface (BCI)に集中しており、被験者とデータセットの両方にわたる運動画像のデコードに対処する。
  論文  参考訳（メタデータ） (2022-02-14T12:12:20Z)
• EEGEyeNet: a Simultaneous Electroencephalography and Eye-tracking Dataset and Benchmark for Eye Movement Prediction [5.10183147987411]
  脳活動と眼球運動の交差に関する研究を進めることを目的とした新しいデータセットを提案する。 EEGEyeNetは、356人の被験者から同時脳波(EEG)と眼球追跡(ET)を同時に記録する。 また,脳波計測から視線予測を評価するためのベンチマークも提案する。
  論文  参考訳（メタデータ） (2021-11-06T15:41:27Z)

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。