論文の概要: EEG-JEPA: Structured Latent Prediction for EEG Foundation Models
- arxiv url: http://arxiv.org/abs/2608.00114v1
- Date: Fri, 31 Jul 2026 08:57:53 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-04 21:56:46.357173
- Title: EEG-JEPA: Structured Latent Prediction for EEG Foundation Models
- Title（参考訳）: EEG-JEPA:脳波基礎モデルの構造化潜在予測
- Abstract要約: 本稿では,脳波基礎モデリングのための構造化潜在予測フレームワークであるEEG-JEPAを紹介する。
EEG-JEPAは3つの相補的な次元に沿ってターゲット設計を編成する。
EEG-JEPAは、CBraModスタイルの仮面波形再構成に比べて、14タスクの冷凍マクロバランスの精度を40.49%から50.42%に改善した。
- 参考スコア（独自算出の注目度）: 8.073687183161216
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Electroencephalography (EEG) foundation models aim to learn reusable representations from large-scale unlabeled recordings. A common pretraining strategy is masked waveform reconstruction, but applying supervision directly to noisy EEG may encourage models to recover predictable background activity, acquisition effects, and artifacts rather than neural structure that transfers across tasks. This raises a central question: what should an EEG foundation model predict to learn transferable representations? We introduce EEG-JEPA a structured latent-prediction framework for EEG foundation modeling. Rather than reconstructing masked voltage samples, a masked context encoder and predictor infer contextual latent states produced by an exponential-moving-average target encoder that observes the complete input. EEG-JEPA organizes target design along three complementary dimensions: target content specifies what representation is predicted, target support specifies where prediction occurs over structured electrode--time regions through Neurotopology-Aware Multi-scale Electrode-Temporal Masking (N-MET), and target depth specifies at which encoder layers supervision is applied. Together, these designs shift EEG pretraining from recovering missing measurements to inferring latent states from structured electrode--time context. We evaluate EEG-JEPA through controlled objective comparisons, frozen multitask transfer, and full fine-tuning. Under the same backbone, pretraining corpus, and training duration, EEG-JEPA improves the 14-task frozen macro balanced accuracy from 40.49% to 50.42% over CBraMod-style masked waveform reconstruction. Multi-source continuation further raises this result to 52.94%, the highest average among the EEG foundation models evaluated on EEG-FM-Bench. Under protocol-matched full fine-tuning, EEG-JEPA also improves the nine-task average balanced accuracy from 68.98% to 70.65%.
- Abstract（参考訳）: 脳波基礎モデル(EEG)は、大規模な未ラベル記録から再利用可能な表現を学習することを目的としている。
一般的な事前訓練戦略は、波形再構成であるが、ノイズの多い脳波に直接監督を適用することで、タスク間で伝達される神経構造ではなく、予測可能なバックグラウンドアクティビティ、取得効果、アーティファクトをモデルが回復するよう促す可能性がある。
EEGファウンデーションモデルは、転送可能な表現を学習するために、何を予測すべきなのか?
本稿では,脳波基礎モデリングのための構造化潜在予測フレームワークであるEEG-JEPAを紹介する。
マスクされた電圧サンプルを再構成する代わりに、マスク付きコンテキストエンコーダと予測器は、完全な入力を観測する指数移動平均目標エンコーダによって生成されるコンテキスト潜在状態を推論する。
EEG-JEPAは3つの相補的な次元に沿ってターゲット設計を編成する: ターゲットコンテンツは、どの表現が予測されるか、ターゲットサポートは、ニューロトポロジーを意識したマルチスケール電極-テンポラルマスキング(N-MET)を通して、構造化電極-時間領域上での予測の場所を特定し、ターゲット深さはエンコーダ層を監督する場所を特定する。
これらの設計は、EEG事前学習を、失われた測定値の回復から、構造化された電極時間コンテキストから潜時状態の推測へとシフトさせる。
制御対象比較,凍結マルチタスク転送,フル微調整によるEEG-JEPAの評価を行った。
同じバックボーン、プレトレーニングコーパス、トレーニング期間の下で、EEG-JEPAは、CBraModスタイルのマスク波形再構成よりも14タスクの冷凍マクロバランスの精度を40.49%から50.42%に改善した。
マルチソース継続によりこの結果はさらに52.94%に上昇し、EEG-FM-Benchで評価された脳波基礎モデルの中では最高値となった。
プロトコルマッチングされた完全な微調整の下で、EEG-JEPAは9タスク平均バランスの精度を68.98%から70.65%に改善した。
関連論文リスト
- Taming foundation model with invariance-oriented pre-training for broad-spectrum EEG analysis across signal-level, brain-state, and brain-health tasks [46.533103231728724]
INCEPTは11,000時間以上の非競合型臨床脳波をトレーニングした、不変指向の脳波基礎モデルである。
買収後の脳波分析の3段階にまたがる10個のデータセットの広スペクトルベンチマークでINCEPTを評価した。
論文 参考訳（メタデータ） (2026-08-25T14:20:02Z) - APO: Unsupervised Atomic Policy Optimization for 3D Structure Prediction of Atomic Systems [64.56252173115246]
そこで本研究では, 基幹構造を不要とした非教師なしアライメントフレームワーク(Atomic Policy Optimization)を提案する。
APOは、新しい二重回帰機構を利用して、3次元原子環境にグループ相対的なポリシー最適化を適用する。
この結果から,本質的な物理的整合性は,ノイズや教師付き座標マッチングよりも優れたアライメントのガイドとなる可能性が示唆された。
論文 参考訳（メタデータ） (2026-07-30T17:21:58Z) - OmniEEG-Bench: A Standardized Evaluation Benchmark for EEG Foundation Models [22.964421663748755]
我々は,脳波基礎モデル(FM)のための統一ベンチマークとダウンストリームタスクロードマップであるOmniEEG-Benchを紹介する。
脳波FMの評価を、(i)信号信頼性、(ii)生体計測と疾患、(iii)意識と状態、(iv)認知と感情、(v)自然主義的刺激復号、(vi)運動と相互作用の6つのタスクファミリーに分類する。
代表的なEEGファンデーションモデル10をベンチマークし、さまざまな評価設定をカバーするリーダーボードを報告します。
論文 参考訳（メタデータ） (2026-05-30T17:20:04Z) - A Multi-dimensional Framework for Evaluating Generalization in EEG Foundation Models [48.385356148620815]
最近のEEGファンデーションモデルは、タスクとデータセット間で有望な転送機能を示している。
低リソース環境下での脳波モデル評価のための多次元評価フレームワークを提案する。
論文 参考訳（メタデータ） (2026-05-27T14:51:54Z) - CLEF: EEG Foundation Model for Learning Clinical Semantics [50.3767252824646]
CLEFは,脳波基礎モデルである。
CLEFは, 疾患の表現型, 薬物曝露, 脳波所見にまたがる新しい234タスク・ベンチマークで評価した。
論文 参考訳（メタデータ） (2026-05-11T16:34:58Z) - Structured Prototype-Guided Adaptation for EEG Foundation Models [56.35233377493694]
脳波基礎モデルでは、主観レベルの監督が限定されている場合、一般化が不十分であることが示されている。
この失敗は、ノイズ、限られた監督とEMFの高可塑性パラメータ空間の間の構造的ミスマッチに起因する。
EFMファインチューニングのための構造化COnfidence対応プロトタイプ誘導適応フレームワークSCOPEを提案する。
論文 参考訳（メタデータ） (2026-02-19T10:54:29Z) - REVE: A Foundation Model for EEG -- Adapting to Any Setup with Large-Scale Pretraining on 25,000 Subjects [5.368295573908306]
REVE(Representation for EEG with Versatile Embeddings)は、様々な脳波信号にまたがる一般化を意図した事前訓練モデルである。
我々は25,000人の被験者にまたがる92のデータセットから6万時間以上の脳波データをプレトレーニングしました。
我々は、標準化された脳波研究を支援し、臨床神経科学の進歩を促進するためのコード、事前訓練された体重、チュートリアルをリリースする。
論文 参考訳（メタデータ） (2025-10-24T15:52:46Z) - 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) - 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) - BrainGPT: Unleashing the Potential of EEG Generalist Foundation Model by Autoregressive Pre-training [15.135177893151008]
EEGPTはこれらの課題に対処するために設計された最初の一般のEEG基盤モデルである。
まず,各電極を基本単位として扱う電極ワイド・モデリング手法を提案する。
第2に、最初の自己回帰型脳波事前学習モデルを開発する。
第3に,学習可能な電極グラフネットワークを用いたマルチタスク転送学習パラダイムを提案する。
論文 参考訳（メタデータ） (2024-10-14T12:17:54Z) - EEG-Inception: An Accurate and Robust End-to-End Neural Network for
EEG-based Motor Imagery Classification [123.93460670568554]
本稿では,脳波に基づく運動画像(MI)分類のための新しい畳み込みニューラルネットワーク(CNN)アーキテクチャを提案する。
提案したCNNモデル、すなわちEEG-Inceptionは、Inception-Timeネットワークのバックボーン上に構築されている。
提案するネットワークは、生のEEG信号を入力とし、複雑なEEG信号前処理を必要としないため、エンドツーエンドの分類である。
論文 参考訳（メタデータ） (2021-01-24T19:03:10Z)
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。