論文の概要: STST-JEPA: Shallow-Target Spatio-Temporal Joint Embedding Prediction Architecture For EEG Self-Supervised Learning

• arxiv url: http://arxiv.org/abs/2607.06629v2
• Date: Thu, 09 Jul 2026 11:36:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-10 14:45:27.26794
• Title: STST-JEPA: Shallow-Target Spatio-Temporal Joint Embedding Prediction Architecture For EEG Self-Supervised Learning
• Title（参考訳）: STST-JEPA:脳波自己監督学習のための浅目標時空間同時埋め込み予測アーキテクチャ
• Abstract要約: 脳年齢は、時間的年齢からの逸脱が神経学的および精神医学的な負担を追跡できる新興バイオマーカーである。 5歳から81歳までの47,703回のセッションで事前学習した,安静状態とタスク脳波の自己教師型変換器STST-JEPAを紹介する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Brain age - the age inferred from a physiological recording - is an emerging biomarker whose deviation from chronological age tracks neurological and psychiatric burden, and EEG is an attractive substrate for it because it is cheap, portable, and temporally rich. Yet EEG brain-age models must contend with cross-site montage heterogeneity, small labelled cohorts, and dominant subject-level non-stationarity, and few EEG foundation models have been shown to deliver competitive age regression across the full pediatric to older adult range in which such a biomarker would actually be deployed. We introduce STST-JEPA, a self-supervised transformer for resting-state and task EEG, pretrained on 47,703 sessions spanning ages 5-81 from the brain.space and Healthy Brain Network (HBN) corpora. The model combines a latent-prediction objective - predicting masked-token representations against an EMA-of-tokenizer target - with an auxiliary signal-reconstruction term, applied to 30-second multi-channel windows under spatiotemporal block masks. A lightweight attentive probe trained on frozen pretrained embeddings achieves a best held-out-validation mean absolute error of 3.06 years (r = 0.924) for age regression on 3,367 sessions, against a predict-the-mean baseline of approximately 10 years MAE. With light task-specific finetuning of the model's final layers, the same pretrained encoder achieves rank-1 placements - with the model's native 30-second windows - on the public NeuralBench x brain.space EEG leaderboard for sex classification (balanced accuracy 0.911), age prediction (r = 0.749), and psychopathology composite regression (r = 0.215). We further show that the model's age-prediction residual is negatively correlated with cognitive efficiency over several tasks we examined.
• Abstract（参考訳）: 脳年齢 - 生理的記録から推定される年齢 - は、時間的年齢からの逸脱が神経学的および精神医学的負担を追跡できる新興バイオマーカーであり、脳波は、安価でポータブルで時間的に豊かなため、それにとって魅力的な基質である。 しかし、脳波の脳年齢モデルは、クロスサイト・モンタージュの不均一性、小さなラベル付きコホート、主観的非定常性と競合しなければならない。 脳.spaceとHealthy Brain Network(HBN)コーパスから5歳から81歳までの47,703回のセッションで事前訓練した、安静状態とタスク脳波のための自己教師型トランスフォーマーSTST-JEPAを紹介する。 このモデルは、EMA-of-tokenizerターゲットに対してマスク付きトーケン表現を予測する潜在予測目標と、時空間マスクの下で30秒のマルチチャネルウィンドウに適用された補助的な信号再構成項を組み合わせる。 3,367セッションにおける年齢回帰の絶対誤差(r = 0.924)は,約10年の予測平均ベースラインに対して,凍結前処理でトレーニングされた軽量な減衰プローブにより達成される。 モデルの最終層の軽量タスク固有の微調整により、同じ事前訓練されたエンコーダがランク1の配置 – モデルのネイティブな30秒のウィンドウ – を、公共のNeuralBench x brain.space EEGリーダーボード(精度0.911)、年齢予測(r = 0.749)、心理病理学的複合回帰(r = 0.215)で達成する。 さらに, モデルの年齢予測残差が, いくつかの課題において認知効率と負の相関関係があることが示唆された。

関連論文リスト

• ReMAP: Self-supervised learning to unveil brain representations and vulnerability [3.3233194140188687]
  全身麻酔は、標準化された制御された摂動の下で人間の脳を観察する稀な機会を提供する。 EEGは、ほとんど常に単一のプロプライエタリなディープインデックスに還元され、リッチな軌道を1つの数に分解する。 ここでは、その軌跡の幾何学が、到達した深さだけでなく、臨床的に意味のある情報を持っているかどうかを問う。
  論文  参考訳（メタデータ） (2026-08-22T17:09:49Z)
• A Gait Foundation Model Predicts Multi-System Health Phenotypes from 3D Skeletal Motion [0.5607972967536581]
  ゲイトはますます重要な兆候として認識されるが、現在のアプローチでは、全身的なバイオマーカーではなく、特定の病理の症状として扱われている。 5つの運動課題において,深度カメラで記録された3,414人の深部表現型成人の3次元骨格運動の歩行基礎モデルを構築した。
  論文  参考訳（メタデータ） (2026-03-26T10:21:02Z)
• BrainRotViT: Transformer-ResNet Hybrid for Explainable Modeling of Brain Aging from 3D sMRI [0.3949853729743116]
  本稿では、視覚変換器(ViT)のグローバルコンテキストモデリングと残留CNNの局所的洗練を組み合わせたハイブリッドアーキテクチャである、訓練された視覚変換器(BrainRotViT)のBrain ResNetを提案する。 提案手法は,130以上の取得サイトを含む11個のMRIデータセットに対する3.34年間の検証を達成している。 脳年齢差の分析によると、老化パターンはアルツハイマー病、認知障害、自閉症スペクトラム障害と関連している。
  論文  参考訳（メタデータ） (2025-11-19T07:20:23Z)
• Enhancing Brain Age Estimation with a Multimodal 3D CNN Approach Combining Structural MRI and AI-Synthesized Cerebral Blood Volume Data [14.815462507141163]
  脳年齢ギャップ推定(BrainAGE)は、脳年齢を理解するための神経画像バイオマーカーである。 現在のアプローチでは、主にT1強調MRI(T1w MRI)データを使用し、構造脳情報のみをキャプチャする。 我々は,VGGに基づくアーキテクチャを用いたディープラーニングモデルを開発し,線形回帰を用いた予測を組み合わせた。 我々のモデルは3.95年の平均絶対誤差(MAE)とテストセットの$R2$ 0.943を達成し、類似したデータでトレーニングされた既存のモデルよりも優れていた。
  論文  参考訳（メタデータ） (2024-12-01T21:54:08Z)
• Brain Tumor Classification on MRI in Light of Molecular Markers [56.99710477905796]
  1p/19q遺伝子の同時欠失は、低グレードグリオーマの臨床成績と関連している。 本研究の目的は,MRIを用いた畳み込みニューラルネットワークを脳がん検出に活用することである。
  論文  参考訳（メタデータ） (2024-09-29T07:04:26Z)
• Unsupervised Anomaly Detection in 3D Brain MRI using Deep Learning with Multi-Task Brain Age Prediction [53.122045119395594]
  ディープラーニングを用いた脳MRIにおける教師なし異常検出(UAD)は有望な結果を示した。 年齢情報を考慮した3次元脳MRIにおけるUDAの深層学習を提案する。 そこで本研究では,マルチタスク年齢予測を用いた新しい深層学習手法を提案する。
  論文  参考訳（メタデータ） (2022-01-31T09:39:52Z)
• Predi\c{c}\~ao da Idade Cerebral a partir de Imagens de Resson\^ancia Magn\'etica utilizando Redes Neurais Convolucionais [57.52103125083341]
  磁気共鳴画像を用いた脳年齢予測のための深層学習手法について検討した。 バイオマーカーの同定は、早期の神経変性過程の検出、および年齢または非年齢に関する認知低下の予測に有用である。 最も優れた結果は、平均絶対誤差3.83年を達成した2Dモデルによって得られた。
  論文  参考訳（メタデータ） (2021-12-23T14:51:45Z)
• Voxel-level Importance Maps for Interpretable Brain Age Estimation [70.5330922395729]
  本稿では,畳み込みニューラルネットワークを用いた3次元脳磁気共鳴(MR)画像からの脳年齢回帰の課題に着目した。 予測モデルの性能を損なうことなく、できるだけ多くのノイズを入力に追加することを目的としたノイズモデルを実装した。 本手法は,英国バイオバンクの13750個の脳MR画像を用いて検討し,既存の神経病理学文献と一致している。
  論文  参考訳（メタデータ） (2021-08-11T18:08:09Z)
• Brain Age Estimation From MRI Using Cascade Networks with Ranking Loss [75.03117866578913]
  T1強調MRIデータから脳年齢を推定するために,新しい3次元畳み込みネットワークである2段エイジネットワーク(TSAN)を提案する。 686ドルのMRIによる実験では、TSANが正確な脳年齢を推定できることが示された。
  論文  参考訳（メタデータ） (2021-06-06T07:11:25Z)
• Uncertainty-Based Biological Age Estimation of Brain MRI Scans [10.670209276046915]
  3次元磁気共鳴画像(MRI)を用いた臓器特異的BA推定のための新しい枠組みを提案する。 アルツハイマー病患者における予期したBAと予期される認知低下との相関性を示す。
  論文  参考訳（メタデータ） (2021-03-15T16:08:23Z)
• Patch-based Brain Age Estimation from MR Images [64.66978138243083]
  磁気共鳴画像(MRI)による脳年齢推定は、被験者の生物学的脳年齢と時系列年齢の違いを導出する。 より高年齢の神経変性を早期に検出することは、より良い医療と患者の計画を促進する可能性がある。 我々は、脳の3Dパッチと畳み込みニューラルネットワーク(CNN)を用いて、局所的な脳年齢推定器を開発する新しいディープラーニングアプローチを開発した。
  論文  参考訳（メタデータ） (2020-08-29T11:50:37Z)

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。