論文の概要: EEG-PRIME: Prototype-Aligned Representation Learning with Multi-Level Conditioning for EEG Decoding

• arxiv url: http://arxiv.org/abs/2608.13072v1
• Date: Thu, 13 Aug 2026 10:35:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-14 18:29:38.478824
• Title: EEG-PRIME: Prototype-Aligned Representation Learning with Multi-Level Conditioning for EEG Decoding
• Title（参考訳）: EEG-PRIME:脳波復号のためのマルチレベル条件付きプロトタイプ適応表現学習
• Abstract要約: EEG-PRIMEは、クロスデータセットマルチタスクデコーディングのための2段階のEEG基盤モデルである。 命令チューニングの間、EEG-PRIMEはタスクセマンティック、データセット固有、主題不変条件を取り入れている。 実験では、クロスオブジェクト設定下での最先端のベースラインと以前のEEGファンデーションモデルに対して一貫した改善が示されている。
• 参考スコア（独自算出の注目度）: 26.89647605331463
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Electroencephalography (EEG) decoding models often generalize poorly across datasets and subjects due to domain shifts in acquisition protocols and individual neurophysiology. We propose EEG-PRIME, a two-stage EEG foundation model for cross-dataset multi-task decoding. EEG-PRIME combines masked pretraining with prototype-aligned instruction tuning to enable instruction-aware and subject-invariant decoding across diverse BCI paradigms. During pretraining, an EEG encoder learns transferable representations through masked reconstruction with frequency-cutoff spectral augmentation. During instruction tuning, EEG-PRIME incorporates task-semantic, dataset-specific, and subject-invariant conditioning. The resulting conditioning signal modulates the Q-Former through Layer-wise Query Modulation, while frozen text embeddings of class labels serve as prototypes for cosine-similarity-based prediction across heterogeneous label spaces. Experiments on sixteen datasets covering motor imagery, emotion recognition, ADHD detection, covert speech, and mental workload show consistent improvements over state-of-the-art baselines and prior EEG foundation models under cross-subject settings. On two additional held-out datasets, EEG-PRIME achieves balanced accuracy comparable to within-session calibration models without target-domain optimization, calibration, or linear probing, demonstrating promising zero-shot transfer capability.
• Abstract（参考訳）: 脳波デコードモデル(EEG)は、取得プロトコルや個々の神経生理学における領域シフトのため、データセットや被験者間でよく一般化される。 クロスデータセットマルチタスクデコーディングのための2段階のEEG基盤モデルであるEEG-PRIMEを提案する。 EEG-PRIMEは、マスク付きプレトレーニングとプロトタイプアラインのインストラクションチューニングを組み合わせることで、多様なBCIパラダイムをまたいだ命令認識と主題不変デコーディングを可能にする。 プレトレーニング中、EEGエンコーダは、周波数カットオフスペクトル増強によるマスク付き再構成により、転送可能な表現を学習する。 命令チューニングの間、EEG-PRIMEはタスクセマンティック、データセット固有、主題不変条件を取り入れている。 結果として得られた条件付け信号は、レイヤワイズクエリ変調を介してQ-Formerを変調する一方、クラスラベルの凍結されたテキスト埋め込みは、異種ラベル空間をまたいだコサイン類似性に基づく予測のプロトタイプとして機能する。 運動画像、感情認識、ADHD検出、隠蔽スピーチ、メンタルワークロードを含む16のデータセットの実験は、最先端のベースラインと、クロスオブジェクト設定下での以前のEEG基盤モデルに対して一貫した改善を示している。 さらに2つのホールドアウトデータセットでは、EEG-PRIMEは、ターゲットドメイン最適化、キャリブレーション、線形プロブリングなしで、セッション内キャリブレーションモデルに匹敵するバランスの取れた精度を達成し、望ましくないゼロショット転送能力を示す。

関連論文リスト

• CoCoT-EEG: Contrastive-Pretrained Multiscale Convolutional Transformer for EEG Decoding [5.179334032083694]
  マルチスケールの時間的畳み込み入力層とトランスフォーマーエンコーダブロック(CoCoT)を備えた新しいコントラスト型EEGモデルを開発する。 CoCoTは、異種電極構成を持つ広範囲なベンチマークデコードタスクにおいて、最先端の再構築済みのEEGモデルと一致または打ち勝つ。 脳波FM構築におけるコントラスト学習の実現可能性を示すとともに,重要な設計上の考慮事項を示唆する。
  論文  参考訳（メタデータ） (2026-07-10T15:48:15Z)
• DARE-EEG: A Foundation Model for Mining Dual-Aligned Representation of EEG [25.4837936625773]
  両面共役表現学習によりマスク不変性を強制する自己教師型基礎モデルであるDARE-EEGを提案する。 具体的には、同一の脳波サンプルの複数のマスキングビューからの表現を制約するマスクアライメントを導入する。 また,不均一電極構成に事前学習した表現を適応させるパラメータ効率の手法であるconv-linear-probingを提案する。
  論文  参考訳（メタデータ） (2026-05-18T12:18:43Z)
• EEG-X: Device-Agnostic and Noise-Robust Foundation Model for EEG [9.417259036860502]
  EEG-Xは、EEG表現学習のためのデバイスに依存しない、ノイズによる基礎モデルである。 ノイズに対する堅牢性を高めるため、EEG-Xはノイズ対応マスキングと再構成戦略を採用している。 EEG-Xは、複数の下流EEGタスクで最先端のメソッドより優れています。
  論文  参考訳（メタデータ） (2025-11-12T00:49:35Z)
• 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)
• 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)
• CognitionCapturer: Decoding Visual Stimuli From Human EEG Signal With Multimodal Information [61.1904164368732]
  脳波信号の表現にマルチモーダルデータを完全に活用する統合フレームワークであるCognitionCapturerを提案する。 具体的には、CognitionCapturerは、各モダリティに対してモダリティエキスパートを訓練し、EEGモダリティからモダリティ情報を抽出する。 このフレームワークは生成モデルの微調整を一切必要とせず、より多くのモダリティを組み込むように拡張することができる。
  論文  参考訳（メタデータ） (2024-12-13T16:27:54Z)
• Spatial Adaptation Layer: Interpretable Domain Adaptation For Biosignal Sensor Array Applications [0.7499722271664147]
  生体信号アレイモデルに適用可能な空間適応層(SAL)を提案する。 また,学習可能なベースライン正規化(LBN)を導入し,ベースライン変動を低減する。 2つのHD-sEMGジェスチャ認識データセットでテストした結果、SALとLBNは通常の配列の標準微調整よりも優れていた。
  論文  参考訳（メタデータ） (2024-09-12T14:06:12Z)
• EEGMamba: Bidirectional State Space Model with Mixture of Experts for EEG Multi-task Classification [1.4004287903552533]
  脳波アプリケーションのためのマルチタスク学習を真に実装した最初のユニバーサル脳波分類ネットワークであるEEGMambaを紹介する。 EEGMambaは、Spatio-Temporal-Adaptive (ST-Adaptive)モジュール、双方向のMamba、Mixture of Experts (MoE)をシームレスに統合したフレームワークに統合する。 本研究では,8つの公用EEGデータセットを用いてモデルの評価を行い,その性能を4種類のタスクで実証した。
  論文  参考訳（メタデータ） (2024-07-20T11:15:47Z)
• Enhancing EEG-to-Text Decoding through Transferable Representations from Pre-trained Contrastive EEG-Text Masked Autoencoder [69.7813498468116]
  コントラスト型脳波テキストマスケード自動エンコーダ(CET-MAE)を提案する。 また、E2T-PTR(Pretrained Transferable Representationsを用いたEEG-to-Text decoding)と呼ばれるフレームワークを開発し、EEGシーケンスからテキストをデコードする。
  論文  参考訳（メタデータ） (2024-02-27T11:45:21Z)
• CSLP-AE: A Contrastive Split-Latent Permutation Autoencoder Framework for Zero-Shot Electroencephalography Signal Conversion [49.1574468325115]
  脳波分析の鍵となる目的は、基礎となる神経活動(コンテンツ)を抽出し、個体の変動(スタイル)を考慮することである。 近年の音声変換技術の発展に触発されて,脳波変換を直接最適化するCSLP-AEフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-11-13T22:46:43Z)
• DGSD: Dynamical Graph Self-Distillation for EEG-Based Auditory Spatial Attention Detection [49.196182908826565]
  AAD(Auditory Attention Detection)は、マルチスピーカー環境で脳信号からターゲット話者を検出することを目的としている。 現在のアプローチは主に、画像のようなユークリッドデータを処理するために設計された従来の畳み込みニューラルネットワークに依存している。 本稿では、入力として音声刺激を必要としないAADのための動的グラフ自己蒸留(DGSD)手法を提案する。
  論文  参考訳（メタデータ） (2023-09-07T13:43:46Z)
• Convolutional Monge Mapping Normalization for learning on sleep data [63.22081662149488]
  我々は、CMMN(Convolutional Monge Mapping Normalization)と呼ばれる新しい手法を提案する。 CMMNは、そのパワースペクトル密度(PSD)をトレーニングデータに基づいて推定されるワッサーシュタインバリセンタに適応させるために、信号をフィルタリングする。 睡眠脳波データに関する数値実験により、CMMNはニューラルネットワークアーキテクチャから独立して、顕著で一貫したパフォーマンス向上をもたらすことが示された。
  論文  参考訳（メタデータ） (2023-05-30T08:24:01Z)
• Learning from Heterogeneous EEG Signals with Differentiable Channel Reordering [51.633889765162685]
  CHARMは、一貫性のない入力チャネルをまたいだ単一のニューラルネットワークのトレーニング方法である。 我々は4つの脳波分類データセットの実験を行い、CHARMの有効性を実証した。
  論文  参考訳（メタデータ） (2020-10-21T12:32:34Z)

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。