論文の概要: Aperiodic and Low-Frequency Spectral Bias in Reconstruction based EEG Foundation Models

• arxiv url: http://arxiv.org/abs/2605.26434v1
• Date: Tue, 26 May 2026 01:40:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-27 17:51:41.565964
• Title: Aperiodic and Low-Frequency Spectral Bias in Reconstruction based EEG Foundation Models
• Title（参考訳）: 再構成に基づく脳波基礎モデルにおける非周期・低周波スペクトルバイアス
• Authors: Aditya Kommineni, Emily Zhou, Kleanthis Avramidis, Simon Bock Segaard, Jeppe Roden Münster, Andreas Peter Juhl Hansen, Takfarinas Medani, Tiantian Feng, Richard Leahy, Shrikanth Narayanan,
• Abstract要約: 大規模無ラベル脳波データに基づいて事前学習された脳波基礎モデルは、一般化可能な脳波表現を学習するための有望な方向として現れてきた。 脳波信号の慣用的スペクトル構造と再構成に基づくプレテキストタスクの基本的なミスマッチに起因して、この欠点を機械論的に説明する。
• 参考スコア（独自算出の注目度）: 38.88255695601846
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: EEG foundation models, pre-trained on large-scale unlabelled EEG data, have emerged as a promising direction towards learning generalizable EEG representations. Despite showing positive results in data-rich regimes, they often fail to outperform significantly smaller supervised models in low-resource settings compared to fully supervised models. We provide a mechanistic account of this shortcoming, attributing it to a fundamental mismatch between reconstruction-based pretext tasks and the idiosyncratic spectral structure of EEG signals, which decompose into distinct high-power aperiodic and low-power oscillatory components. Using controlled, synthetically-generated EEG inputs, we demonstrate that EEG foundation model embeddings are biased to capture the aperiodic components of the EEG signal while under-representing oscillatory components, particularly at higher frequencies. Additionally, linear probe evaluations on real-world BCI datasets further reveal that embeddings encode subject identity more strongly than task-relevant information, thereby reinforcing the low-frequency and aperiodic component bias in foundation model embeddings trained primarily on reconstruction based objectives. Together, these findings elucidate a failure mode in reconstruction based EEG foundation models and motivate future work to incorporate auxiliary losses explicitly targeting high-frequency oscillatory structure as a path toward more capable and generalizable EEG representations.
• Abstract（参考訳）: 大規模無ラベル脳波データに基づいて事前学習された脳波基礎モデルは、一般化可能な脳波表現を学習するための有望な方向として現れてきた。 データリッチなレシエーションでは肯定的な結果を示すが、完全な教師付きモデルに比べて、低リソース設定では教師付きモデルよりもはるかにパフォーマンスが低い場合が多い。 我々は、この欠点を機械論的に説明し、再構成に基づくプレテキストタスクと脳波信号の慣性スペクトル構造との基本的なミスマッチに寄与し、異なる高周期および低出力の振動成分に分解する。 制御された合成EEG入力を用いて、脳波基礎モデル埋め込みが、特に高周波数で振動成分を非表現しながら、脳波信号の非周期成分を捕捉するために偏りがあることを実証する。 さらに、実世界のBCIデータセットに対する線形プローブ評価により、埋め込みはタスク関連情報よりも被写体アイデンティティを強くエンコードし、これにより、主に再構成に基づく目的に基づいて訓練された基礎モデル埋め込みにおける低周波および非周期的成分バイアスを補強することが明らかとなった。 これらの結果から,脳波モデルに基づく脳波基礎モデルにおける障害モードを解明し,高周波数振動構造を対象とする補助的損失を,より有能で一般化可能な脳波表現への道として組み込むことを動機とした。

関連論文リスト

• Let EEG Models Learn EEG [20.64210550961759]
  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。
  論文  参考訳（メタデータ） (2026-05-20T15:10:10Z)
• Structured Prototype-Guided Adaptation for EEG Foundation Models [56.35233377493694]
  脳波基礎モデルでは、主観レベルの監督が限定されている場合、一般化が不十分であることが示されている。 この失敗は、ノイズ、限られた監督とEMFの高可塑性パラメータ空間の間の構造的ミスマッチに起因する。 EFMファインチューニングのための構造化COnfidence対応プロトタイプ誘導適応フレームワークSCOPEを提案する。
  論文  参考訳（メタデータ） (2026-02-19T10:54:29Z)
• Leveraging Generic Time Series Foundation Models for EEG Classification [8.938023803309097]
  本稿では,最近提案された時系列分類基礎モデルの運動画像分類や睡眠ステージ予測などの脳波タスクへの適用性について検討する。 いずれの変種も強い性能を示し、広く使われている畳み込みベースラインであるEEGNetと、最新のEEG固有の基盤モデルであるCBraModを一貫して上回ります。 脳信号解析にクロスドメイン事前学習モデルを活用することは,脳波がより広範な時系列文献の進歩の恩恵を受けることを示唆している。
  論文  参考訳（メタデータ） (2025-10-31T14:49:23Z)
• YARE-GAN: Yet Another Resting State EEG-GAN [0.0]
  We implement a Wasserstein GAN with Gradient Penalty (WGAN-GP) to generate multi-channel resting-state EEG data。 本結果は,実際の脳波データの統計的特徴とスペクトル特性を効果的に捉えていることを示す。
  論文  参考訳（メタデータ） (2025-03-04T14:01:10Z)
• Graph Structure Refinement with Energy-based Contrastive Learning [56.957793274727514]
  グラフの構造と表現を学習するための生成訓練と識別訓練のジョイントに基づく教師なし手法を提案する。 本稿では,ECL-GSR(Energy-based Contrastive Learning)によるグラフ構造再構成(GSR)フレームワークを提案する。 ECL-GSRは、主要なベースラインに対するサンプルやメモリの少ない高速なトレーニングを実現し、下流タスクの単純さと効率性を強調している。
  論文  参考訳（メタデータ） (2024-12-20T04:05:09Z)
• 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)

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。