論文の概要: CaMBRAIN: Real-time, Continuous EEG Inference with Causal State Space Models

• arxiv url: http://arxiv.org/abs/2605.28792v1
• Date: Wed, 27 May 2026 17:50:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-28 17:38:56.257835
• Title: CaMBRAIN: Real-time, Continuous EEG Inference with Causal State Space Models
• Title（参考訳）: CaMBRAIN: 因果状態空間モデルによるリアルタイムで継続的なEEG推論
• Authors: Abhilash Durgam, Nyle Siddiqui, Jeffrey A. Chan-Santiago, Qiushi Fu, Elakkat D. Gireesh, Mubarak Shah,
• Abstract要約: 本稿では,脳波信号のリアルタイム推測が可能な最初のコーサル,マンバをベースとした状態空間モデルであるCaMBRAINを提案する。 CaMBRAINは、既存のモデルよりも10倍高いスループットを持つ3つの異なるEEGデータセットにわたる、最先端(SOTA)結果を達成する。
• 参考スコア（独自算出の注目度）: 37.86790434630698
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Electroencephalography (EEG) is a critical, non-invasive method to monitor electrical brain activity. EEGs can span anywhere from a couple seconds to multiple hours, posing a major hurdle for existing deep learning methods due to two major factors: (1) existing EEG models are predominantly built upon the attention mechanism, incurring quadratic scaling as the sequence length increases, and (2) raw EEG signals must be processed in a sliding-window fashion due to fixed-length input requirements, preventing global understanding of the entire signal. To this extent, we propose CaMBRAIN - the first Causal, Mamba-based state space model (SSM) capable of real-time inference of EEG signals, arguing that bidirectional approaches are needlessly expensive given the causal, unidirectional nature of EEG. However, training such a model is non-trivial, as crucial EEG events can be extremely brief - within fractions of a second - yet separated by long intervals spanning minutes. Current EEG methods use self-supervised objectives that optimize for signal reconstruction, but these are not well suited for streaming SSMs; they fail to explicitly train the hidden state to retain the salient long-range context needed for streaming inference. We therefore introduce a multi-stage self-supervised training pipeline specifically tailored to encourage long-range memory retention and strong performance on EEG signals, while preserving the linear-time complexity of state space models. CaMBRAIN achieves state-of-the-art (SOTA) results across 3 different EEG datasets with >10x higher throughput than existing models, enabling the first model capable of long-range, continuous inference of variable-length EEG signals.
• Abstract（参考訳）: 脳波検査(Electroencephalography、EEG)は、脳活動を監視する重要な非侵襲的な方法である。 既存の脳波モデルは主に注意機構に基づいて構築されており、シーケンス長が増加するにつれて2次スケーリングが生じる。(2) 固定長入力要求により、生の脳波信号をスライディングウインドウで処理し、信号全体のグローバルな理解を妨げている。 そこで我々は,脳波信号のリアルタイム推論が可能な最初のコーサル,マンバをベースとした状態空間モデル(SSM)であるCaMBRAINを提案し,脳波の因果的,一方向的な性質を考えると,双方向アプローチは不必要に高価であると主張した。 しかし、そのようなモデルのトレーニングは簡単ではない。重要なEEGイベントは1秒以内で非常に短いが、数分にまたがる長い間隔で分離される可能性があるからだ。 現在の脳波法では、信号再構成のために最適化された自己教師対象を用いるが、これらはストリーミングSSMには適していない。 そこで本稿では,状態空間モデルの線形時間的複雑性を保ちながら,長期記憶の保持と脳波信号の強い性能を促進すべく,多段階の自己教師型トレーニングパイプラインを導入する。 CaMBRAINは既存のモデルよりも10倍高いスループットで3つの異なるEEGデータセットにまたがってSOTA(State-of-the-art)結果を達成し、可変長のEEG信号の長距離連続推論が可能な最初のモデルを実現する。

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)
• SAMBA: Toward a Long-Context EEG Foundation Model via Spatial Embedding and Differential Mamba [2.1232375739287006]
  脳波(EEG)モデリングは、一般化可能な脳波表現モデルの開発に不可欠である。 我々は,マンバをベースとしたU字型エンコーダデコーダアーキテクチャを用いた自己教師型学習フレームワークであるtextitSAMBAを提案する。 SAMBAは、メモリ消費と推論時間を維持しながら、最先端の手法を一貫して上回ることを示す。
  論文  参考訳（メタデータ） (2025-11-23T18:31:18Z)
• EEGDM: Learning EEG Representation with Latent Diffusion Model [26.237067291138246]
  潜在拡散モデルに基づく新しい自己教師型脳波表現学習法であるEEGDMを提案する。 EEGDMは、EEG信号を蒸留するEEGエンコーダと、そのチャネル拡張をコンパクトな表現に組み込む。 実験結果から,EEGDMは高品質な脳波信号を再構成し,ロバストな表現を効果的に学習し,適度な事前学習データサイズで競合性能を得ることができた。
  論文  参考訳（メタデータ） (2025-08-28T12:23:28Z)
• Beyond Fixed: Training-Free Variable-Length Denoising for Diffusion Large Language Models [74.15250326312179]
  拡散大言語モデルは効率的な並列生成とグローバルモデリングを提供する。 DLLMの主流の応用は、静的に事前定義された生成長の必要性によって妨げられている。 DAEDALは,動的適応長拡張を可能にする新しい学習自由化戦略である。
  論文  参考訳（メタデータ） (2025-08-01T17:56:07Z)
• CodeBrain: Towards Decoupled Interpretability and Multi-Scale Architecture for EEG Foundation Model [52.466542039411515]
  EEGファウンデーションモデル(EFM)は、タスク固有のモデルのスケーラビリティ問題に対処するために登場した。 このギャップを埋めるために設計された2段階のEMFであるCodeBrainを紹介します。 第1段階では、異種時間・周波数の脳波信号を離散トークンに分解するTFDual-Tokenizerを導入する。 第2段階では、構造化されたグローバル畳み込みとスライディングウインドウの注意を結合したマルチスケールEEGSSMアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2025-06-10T17:20:39Z)
• An Efficient Self-Supervised Framework for Long-Sequence EEG Modeling [2.1232375739287006]
  脳波表現学習のための自己教師型フレームワークであるEEGM2を提案する。 EEGM2は、ショートシーケンスとロングシーケンスの両方のモデリングと分類において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） (2025-02-25T05:57:56Z)
• 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)

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。