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
• Authors: Ayşe Betül Yüce, Chris Joey Leffler, Sarun Varghese, Myra Spiliopoulou, Sebastian Stober,
• 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

• 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)
• 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)
• 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)
• 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。