論文の概要: B[FM]$^2$: Brain Foundation Model via Flow Matching with SplitUNet

• arxiv url: http://arxiv.org/abs/2606.20812v1
• Date: Thu, 18 Jun 2026 18:01:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-26 12:46:56.855016
• Title: B[FM]$^2$: Brain Foundation Model via Flow Matching with SplitUNet
• Title（参考訳）: B[FM]$^2$: Brain Foundation Model via Flow Matching with SplitUNet
• Authors: Jaedong Hwang, Kathleen Zhang, Wei Dai, Konstantinos Kontras, Maarten Vanmarcke, Maarten De Vos, Ila Fiete, Paul Pu Liang,
• Abstract要約: マルチチャネル脳波信号は、フローマッチングにアーキテクチャ上の課題をもたらす。 SplitUNetは各ブロックを1次元の時間的および1次元の電極畳み込みとダウンサンプルに分解する。 B[FM]$2$は、9つの標準下流脳波分類タスクのうち7つに新しい状態を設定する。
• 参考スコア（独自算出の注目度）: 33.19680160939894
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: EEG foundation models can learn generalizable representations from large-scale EEG corpora to enable single-backbone transfer across diverse clinical and brain-computer interface tasks. Existing models typically discretize the continuous multi-channel EEG waveform into patches or codebook tokens and train a transformer with masked self-supervision. Recognizing that this discretization fragments continuous brain rhythms and obscures fine-grained temporal dynamics, we present B[FM]$^2$(Brain Foundation Model via Flow Matching), whose inductive bias aligns with the data by pretraining directly on the raw signal using continuous-time flow matching without patches, tokenization, or masking. However, multi-channel EEG signals pose an architectural challenge for flow matching: time is densely sampled and highly autocorrelated (thousands of timepoints), while the electrode axis is short (tens of channels) at distinct scalp positions. To address this time-electrode asymmetry, we introduce SplitUNet, a velocity network that factorizes each block into separate 1D temporal and 1D electrode convolutions and downsamples only along time, preserving electrode topology throughout the hierarchy. B[FM]$^2$ sets a new state of the art on 7 of 9 standard downstream EEG classification tasks, using a pretraining budget of only 36,895 segments ($\approx$ 307h), 1-2 orders of magnitude ($\approx$ 30x) less than required by existing EEG foundation models. Further, it generates synthetic EEGs that two board-certified neurologists cannot distinguish from brain data (Cohen's $κ=$ -0.096). https://jd730.github.io/projects/BFM2
• Abstract（参考訳）: EEGファウンデーションモデルは、大規模なEEGコーパスから一般化可能な表現を学習し、様々な臨床および脳-コンピュータインタフェースタスク間で単一のバックボーン転送を可能にする。 既存のモデルでは、連続したマルチチャネルEEG波形をパッチやコードブックトークンに識別し、マスク付きセルフスーパービジョンでトランスフォーマーを訓練するのが一般的である。 この離散化は、連続的な脳のリズムを識別し、微粒な時間的ダイナミクスを曖昧にし、B[FM]$^2$(Brain Foundation Model via Flow Matching)を提示する。 しかし、マルチチャネル脳波信号は、時間が密集し、高度に自己相関し(数千の時間ポイント)、電極軸が短い(数個のチャネル)異なる頭皮の位置にある、という、フローマッチングのアーキテクチャ上の課題を提起する。 この時間-電極非対称性に対処するため,各ブロックを1次元時間・1次元電極畳み込みとダウンサンプルに分解する速度ネットワークであるSplitUNetを導入し,電極トポロジを階層的に保存する。 B[FM]$^2$は、9つの標準下流EEG分類タスクの7つに、既存のEEGファンデーションモデルよりもわずか36,895セグメント($307h)、1-2桁($30x)の事前トレーニング予算を使って、新しい最先端のEEG分類タスクをセットする。 さらに、2人のボード認証された神経学者が脳のデータと区別できない合成脳波を生成する(コーエンの$κ=$-0.096)。 https://jd730.github.io/projects/BFM2

関連論文リスト

• Dive into Waves: Morlet Spectral Transformer for Cross-Subject Emotion Decoding from EEG [5.886986014593717]
  クロスオブジェクト感情認識は、脳-コンピュータモデリングにおいて事実上重要な問題であるが難しい問題である。 既存のアプローチは、大きな事前訓練された基礎モデルに依存しており、大量のデータを必要とするが、それでもクロスオブジェクトの変動に苦慮している。 本稿では,3つのインタフェースを中心に構築されたMorlet Spectral Transformer (MST)を提案する。
  論文  参考訳（メタデータ） (2026-05-30T20:38:34Z)
• Torus Graphs for Large Scale Neural Phase Analysis [1.4018975578160686]
  数千の変数を持つデータセットの推論を可能にするために,レート毎のコストを$mathcalO(d2)$に削減するスコアマッチング手順を導入する。 このスケーラブルな基盤は、マルチ電極LFPからの1,860の周波数位相の特徴の分析をサポートし、TGや古典的な円形統計に以前はアクセスできない2つの拡張を可能にする。
  論文  参考訳（メタデータ） (2026-05-30T02:56:56Z)
• LUNA: Efficient and Topology-Agnostic Foundation Model for EEG Signal Analysis [16.431555478831143]
  我々は、異なる電極ジオメトリを再構成する自己教師型基礎モデルLUNAを紹介する。 ルナは多チャンネルのEEGを固定サイズのトポロジーに依存しない潜在空間に圧縮する。 Lunaは、異常検出、アーティファクトの拒絶、分類の遅く、感情認識という4つの下流タスクに効果的に移行する。
  論文  参考訳（メタデータ） (2025-10-25T11:31:27Z)
• 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)
• 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)
• Large Brain Model for Learning Generic Representations with Tremendous EEG Data in BCI [6.926908480247951]
  大型脳モデル(LaBraM)と呼ばれる脳波の統一基盤モデルを提案する。 LaBraMは、EEG信号をEEGチャネルパッチにセグメント化することで、データセット間の学習を可能にする。 次に、マスクされたEEGチャネルパッチの元のニューラルコードを予測することにより、ニューラルトランスフォーマーを事前訓練する。
  論文  参考訳（メタデータ） (2024-05-29T05:08:16Z)
• MP-SeizNet: A Multi-Path CNN Bi-LSTM Network for Seizure-Type Classification Using EEG [2.1915057426589746]
  てんかん患者の治療と管理には, 精垂型鑑別が不可欠である。 本稿では,MP-SeizNetを用いた新しいマルチパス・アセプション型ディープラーニング・ネットワークを提案する。 MP-SeizNetは、畳み込みニューラルネットワーク(CNN)と、注意機構を備えた双方向長短期記憶ニューラルネットワーク(Bi-LSTM)で構成されている。
  論文  参考訳（メタデータ） (2022-11-09T01:07:20Z)
• Generalizing electrocardiogram delineation: training convolutional neural networks with synthetic data augmentation [63.51064808536065]
  ECGのデライン化のための既存のデータベースは小さく、サイズやそれらが表す病態の配列に不足している。 まず、原データベースから抽出した基本セグメントのプールを与えられたECGトレースを確率的に合成し、その整合性のある合成トレースに配置するための一連のルールを考案した。 第二に、2つの新しいセグメンテーションに基づく損失関数が開発され、これは、正確な数の独立構造の予測を強制し、サンプル数の削減に焦点をあてて、より密接なセグメンテーション境界を創出することを目的としている。
  論文  参考訳（メタデータ） (2021-11-25T10:11:41Z)
• Towards a method to anticipate dark matter signals with deep learning at the LHC [58.720142291102135]
  ニューラルネットワークを用いた簡易暗黒物質モデルとそのシグネチャをLHCで検討した。 通常のモノジェットと逆エネルギーチャネルの欠如に焦点を当てるが、アルゴリズムを訓練するためには、イベント・バイ・イベント・アレーの代わりに2Dヒストグラムでデータを整理する。 これにより、標準モデル(SM)のみとSMと新しい物理信号とを区別する性能が大きく向上する。
  論文  参考訳（メタデータ） (2021-05-25T15:38:13Z)

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。