論文の概要: Temporal Feature Extractors in EEG Foundation Models: A Controlled Comparison Including a Pretrained Time-Series Model

• arxiv url: http://arxiv.org/abs/2606.30104v1
• Date: Mon, 29 Jun 2026 10:39:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-30 18:07:16.181263
• Title: Temporal Feature Extractors in EEG Foundation Models: A Controlled Comparison Including a Pretrained Time-Series Model
• Title（参考訳）: 脳波基礎モデルにおける時間的特徴外乱:事前訓練された時系列モデルを含む制御された比較
• Abstract要約: 統合脳波基礎モデルにおける3つの時間的特徴抽出戦略を比較した。 我々は,2つの下流課題である運動画像と感情認識を用いた表現品質への影響を評価する。 脳波には特に適応しないが、事前訓練されたTSFMは時間的特徴抽出器として有効である。
• 参考スコア（独自算出の注目度）: 2.751147407342378
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Electroencephalography (EEG) foundation models aim to learn generalizable representations from large-scale brain recordings. However, the role of temporal feature extractors and whether pretrained time-series foundation models (TSFMs) can be effectively transferred to this setting remains underexplored. We conduct a controlled comparison of three temporal feature extraction strategies, including a linear baseline, a convolutional encoder, and a frozen pretrained TSFM (MOMENT), within a unified EEG foundation model. We evaluate their impact on representation quality using two downstream tasks: motor imagery and emotion recognition. Results reveal different trends across the evaluated benchmarks. On the motor imagery dataset, simple temporal representations perform competitively, whereas the emotion dataset benefits from richer temporal modeling. Although not specifically adapted to EEG, the pretrained TSFM serves as an effective temporal feature extractor, suggesting that general-purpose time-series representations can be transferred as frozen temporal feature extractors within EEG foundation models.
• Abstract（参考訳）: 脳波基礎モデル(EEG)は、大規模な脳波記録から一般化可能な表現を学習することを目的としている。 しかし、時間的特徴抽出器の役割と事前訓練された時系列基礎モデル(TSFM)が、この設定に効果的に移行できるかどうかについては未定のままである。 脳波基盤モデルにおいて,線形ベースライン,畳み込みエンコーダ,凍結事前学習型TSFM(MOMENT)を含む3つの時間的特徴抽出戦略の制御比較を行う。 我々は,2つの下流課題である運動画像と感情認識を用いた表現品質への影響を評価する。 結果は、評価されたベンチマークで異なる傾向を示す。 運動画像データセットでは、単純な時間的表現が競合的に機能するのに対し、感情的データセットはよりリッチな時間的モデリングの恩恵を受ける。 脳波に特異的に適応していないが、事前訓練されたTSFMは効果的な時間的特徴抽出器として機能し、脳波基礎モデル内の凍結時間的特徴抽出器として汎用時系列表現が転送可能であることを示唆している。

関連論文リスト

• Neonatal Hypoxic-ischaemic Encephalopathy Classification from the EEG and HRV Signals Using a Conformer based Masked Autoencoder [1.2599533416395767]
  本稿では,脳波(EEG)および心拍変動(HRV)信号からの表現学習のための新しい自己教師型学習フレームワークを提案する。 畳み込み操作とTransformerベースの自己アテンションを統合することで、MAEConformerはローカル時間パターンと長距離コンテキスト依存の両方を効果的にキャプチャする。 実験の結果,学習した表現が強い伝達性とデータ効率をもたらすことが示された。
  論文  参考訳（メタデータ） (2026-07-26T09:11:03Z)
• MEMTS: Internalizing Domain Knowledge via Parameterized Memory for Retrieval-Free Domain Adaptation of Time Series Foundation Models [51.506429027626005]
  Memory for Time Series (MEMTS) は、時系列予測における検索不要領域適応のための軽量かつプラグアンドプレイ方式である。 MEMTSの鍵となるコンポーネントは知識永続化モジュール(KPM)であり、ドメイン固有の時間力学を内部化する。 このパラダイムシフトにより、MEMTSは定数時間推論とニアゼロレイテンシによる正確なドメイン適応を実現することができる。
  論文  参考訳（メタデータ） (2026-02-14T14:00:06Z)
• Time Series Foundation Models for Process Model Forecasting [8.339024524110828]
  プロセスモデル予測は、プロセスの制御フロー構造が時間とともにどのように進化するかを予測することを目的としています。 機械学習とディープラーニングモデルは、統計的ベースラインよりも控えめな利得しか提供しない。 PMF の代替として Time Series Foundation Models (TSFMs) について検討する。
  論文  参考訳（メタデータ） (2025-12-08T15:08:50Z)
• STAMP: Spatial-Temporal Adapter with Multi-Head Pooling [13.792578087107238]
  複数のドメインのデータに基づいて事前訓練された時系列基礎モデル(TSFM)は、多様なモデリングタスクにおいて強い性能を示す。 マルチヘッドプール型空間適応器(STAMP)について紹介する。 STAMPは、EEGデータの空間時間特性を暗黙的にモデル化し、最先端のEEGFMに匹敵する性能を達成する。
  論文  参考訳（メタデータ） (2025-11-13T23:19:53Z)
• 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)
• Understanding the Implicit Biases of Design Choices for Time Series Foundation Models [90.894232610821]
  時系列基礎モデル(TSFM)は、時系列予測と関連する時間的タスクのための潜在的に強力で汎用的なツールのクラスである。 彼らの行動はデザインの微妙な帰納的バイアスによって強く形作られています。 モデルやデータの性質によって、これらのバイアスが直感的であるか、非常に直感的であるかを示す。
  論文  参考訳（メタデータ） (2025-10-22T04:42:35Z)
• EEGDM: EEG Representation Learning via Generative Diffusion Model [17.595769291603688]
  生成拡散モデル(EEGDM)に基づく脳波表現学習フレームワークを提案する。 具体的には,拡散事前学習のための構造化状態空間モデルを開発し,DDPM(Denoising Diffusion Probabilistic Model)フレームワークを用いて学習を行った。 提案した潜時核融合変換器 (LFT) を用いた下流分類作業において, 得られた潜時脳波表現を用いた。
  論文  参考訳（メタデータ） (2025-08-13T14:40:52Z)
• Multivariate Long-term Time Series Forecasting with Fourier Neural Filter [42.60778405812048]
  我々はFNFをバックボーンとして、DBDをアーキテクチャとして導入し、空間時間モデルのための優れた学習能力と最適な学習経路を提供する。 FNFは、局所時間領域とグローバル周波数領域の情報処理を単一のバックボーン内で統合し、空間的モデリングに自然に拡張することを示す。
  論文  参考訳（メタデータ） (2025-06-10T18:40:20Z)
• PSDNorm: Test-Time Temporal Normalization for Deep Learning in Sleep Staging [63.05435596565677]
  我々は,モンジュマッピングと時間文脈を利用したPSDNormを提案し,信号の深層学習モデルにおける特徴写像の正規化を行う。 PSDNormは、BatchNormよりも4倍のデータ効率が高く、目に見えない左のデータセットで最先端のパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2025-03-06T16:20:25Z)
• Synthesizing Multimodal Electronic Health Records via Predictive Diffusion Models [69.06149482021071]
  EHRPDと呼ばれる新しいEHRデータ生成モデルを提案する。 時間間隔推定を組み込んだ拡散モデルである。 我々は2つの公開データセットで実験を行い、忠実さ、プライバシー、実用性の観点からEPHPDを評価する。
  論文  参考訳（メタデータ） (2024-06-20T02:20:23Z)
• Data Attribution for Diffusion Models: Timestep-induced Bias in Influence Estimation [53.27596811146316]
  拡散モデルは、以前の文脈における瞬間的な入出力関係ではなく、一連のタイムステップで操作する。 本稿では、この時間的ダイナミクスを取り入れた拡散トラクInについて、サンプルの損失勾配ノルムが時間ステップに大きく依存していることを確認する。 そこで我々はDiffusion-ReTracを再正規化適応として導入し、興味のあるサンプルを対象にしたトレーニングサンプルの検索を可能にする。
  論文  参考訳（メタデータ） (2024-01-17T07:58:18Z)
• DriPP: Driven Point Processes to Model Stimuli Induced Patterns in M/EEG Signals [62.997667081978825]
  我々はDriPPと呼ばれる新しい統計点過程モデルを開発する。 我々は、このモデルのパラメータを推定するために、高速で原理化された予測最大化(EM)アルゴリズムを導出する。 標準MEGデータセットの結果から,我々の手法が事象関連ニューラルレスポンスを明らかにすることが示された。
  論文  参考訳（メタデータ） (2021-12-08T13:07:21Z)
• Multi-Branch Deep Radial Basis Function Networks for Facial Emotion Recognition [80.35852245488043]
  放射状基底関数(RBF)ユニットによって形成された複数の分岐で拡張されたCNNベースのアーキテクチャを提案する。 RBFユニットは、中間表現を用いて類似のインスタンスで共有される局所パターンをキャプチャする。 提案手法は,提案手法の競争力を高めるためのローカル情報の導入であることを示す。
  論文  参考訳（メタデータ） (2021-09-07T21:05:56Z)

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。