論文の概要: EMAG: Differentiable 4D Gaussian Mixture Splatting for EEG Spatial Super-Resolution

• arxiv url: http://arxiv.org/abs/2605.29731v1
• Date: Thu, 28 May 2026 10:26:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-30 02:45:56.182653
• Title: EMAG: Differentiable 4D Gaussian Mixture Splatting for EEG Spatial Super-Resolution
• Title（参考訳）: EMAG: EEG空間超解像のための微分可能な4次元ガウス混合めっき法
• Authors: Alex Lazarovich, Ofir Itzhak Shahar, Gur Elkin, Ohad Ben-Shahar,
• Abstract要約: 高密度脳波(HD-EEG)は皮質活動のきめ細かい測定を可能にするが、高価なハードウェアと長い設定時間を必要とする。 低密度電極の疎部分集合からHD-EEG信号を再構成する微分可能なフレームワークであるEMAGを提案する。
• 参考スコア（独自算出の注目度）: 2.7853135214486002
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: High-density electroencephalography (HD-EEG) enables fine-grained measurement of cortical activity but requires expensive hardware and lengthy setup times, limiting its clinical and research accessibility. We propose EMAG (EEG Mixture of Anisotropic Gaussians), a differentiable framework that reconstructs HD-EEG signals from a sparse subset of low-density (LD) electrodes by representing brain electrical sources as a mixture of anisotropic 4D space-time Gaussians. EMAG places a mixture of multiple Gaussians at each point of a spherical brain grid, each parameterized by a full 4 x 4 precision matrix, enabling anisotropic spatial spreads and explicit coupling between spatial and temporal dimensions. The forward model renders scalp EEG via differentiable Gaussian field contributions at electrode locations, enabling end-to-end training without explicit source localization supervision. We evaluate EMAG on three public EEG benchmarks (Localize-MI, SEED, and SEED-IV) at super-resolution factors of 2x through 8/16x. EMAG outperforms the current state-of-the-art EEG super-resolution method at most super-resolution factors on three standard benchmarks (Localize-MI, SEED, SEED-IV). The explicit Gaussian parameterization further enables direct visualization and interpretability of learned brain source configurations, potentially opening avenues for clinical and neuroscientific applications, such as source localization or biomarker discovery.
• Abstract（参考訳）: 高密度脳波(HD-EEG)は、皮質活動のきめ細かい測定を可能にするが、高価なハードウェアと長い設定時間を必要とし、臨床および研究のアクセシビリティを制限している。 EMAG (EEG Mixture of Anisotropic Gaussian) は低密度(LD)電極の疎部分集合からHD-EEG信号を異方性4次元時空ガウスの混合体として表現することで再構成可能なフレームワークである。 EMAGは球状脳格子の各点に複数のガウスの混合物を配置し、それぞれが完全な4×4の精度行列でパラメータ化され、異方性空間の広がりと空間次元と時間次元の明示的な結合を可能にする。 フォワードモデルは、電極位置での微分可能なガウス場コントリビューションを通じて頭皮脳波を描画し、ソースローカライゼーションの監督なしにエンドツーエンドのトレーニングを可能にする。 EMAGを3つのパブリックEEGベンチマーク(Localize-MI, SEED, SEED-IV)で2倍から8/16倍の超解像率で評価した。 EMAGは3つの標準ベンチマーク(Localize-MI, SEED, SEED-IV)において、現在の最先端のEEG超解像法よりも多くの超解像率で優れている。 明示的なガウスのパラメータ化により、学習した脳源の設定の直接の可視化と解釈が可能となり、ソースローカライゼーションやバイオマーカー発見のような臨床および神経科学的な応用のための道を開く可能性がある。

関連論文リスト

• Estimating Brain Activity with High Spatial and Temporal Resolution using a Naturalistic MEG-fMRI Encoding Model [6.157087562708548]
  現在の非侵襲的ニューロイメージング技術は、空間分解能と時間分解能の間にトレードオフがある。 我々は,脳磁図(MEG)と機能的磁気共鳴画像(fMRI)を組み合わせたトランスフォーマーベース符号化モデルを開発した。 複数の被験者からのMEGとfMRIの予測と,再建した大脳皮質源の推定値を表す潜在層の推定を訓練した。
  論文  参考訳（メタデータ） (2025-10-10T14:18:10Z)
• 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)
• 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)
• From Brainwaves to Brain Scans: A Robust Neural Network for EEG-to-fMRI Synthesis [4.710921988115686]
  低コストの脳波データからfMRI画像を合成するための,シンプルで効果的なディープラーニングモデルであるE2fNetを提案する。 E2fNetは、EEGから電極チャネル間の有意義なマルチスケール機能を正確にfMRI表現にキャプチャし、翻訳するように設計されたエンコーダデコーダネットワークである。
  論文  参考訳（メタデータ） (2025-02-11T23:55:16Z)
• Learning Equivariant Non-Local Electron Density Functionals [51.721844709174206]
  等変グラフニューラルネットワーク(GNN)に基づく新しい非局所XC関数であるEquivariant Graph Exchange correlation (EG-XC)を導入する。 この点の雲に同変GNNを適用することにより、スケーラブルで正確な分子レンジ相互作用をキャプチャする。 EG-XCは、QM9上のデータ効率と分子サイズの外挿に優れ、5倍以上の分子で訓練された整合力場である。
  論文  参考訳（メタデータ） (2024-10-10T14:31:45Z)
• Unpaired Volumetric Harmonization of Brain MRI with Conditional Latent Diffusion [13.563413478006954]
  条件付き潜時拡散(HCLD)による新しい3次元MRI高調波化フレームワークを提案する。 一般化可能な3Dオートエンコーダを備え、4Dラテント空間を通じてMRIを符号化しデコードする。 HCLDは、潜伏分布を学習し、ターゲット画像スタイルで条件付きで、ソースMRIから解剖学的情報と調和したMRIを生成する。
  論文  参考訳（メタデータ） (2024-08-18T00:13:48Z)
• Gaussian Primitives for Deformable Image Registration [9.184092856125067]
  脳MRI、肺CT、心臓MRIのデータセットの実験結果から、GaussianDIRは既存のDIR法よりも精度と効率が優れていることが示されている。 トレーニングなしのアプローチとして、反復的手法は本質的に遅く、一般化不足の限界を超越しているというステレオタイプに挑戦する。
  論文  参考訳（メタデータ） (2024-06-05T15:44:54Z)
• Statistical control for spatio-temporal MEG/EEG source imaging with desparsified multi-task Lasso [102.84915019938413]
  脳磁図(MEG)や脳電図(EEG)のような非侵襲的手法は、非侵襲的手法を約束する。 ソースローカライゼーション(ソースイメージング)の問題は、しかしながら、高次元の統計的推測問題を引き起こす。 この問題に対処するために,分離されたマルチタスクラッソ(ecd-MTLasso)のアンサンブルを提案する。
  論文  参考訳（メタデータ） (2020-09-29T21:17:16Z)

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。