論文の概要: Taming foundation model with invariance-oriented pre-training for broad-spectrum EEG analysis across signal-level, brain-state, and brain-health tasks
- arxiv url: http://arxiv.org/abs/2608.24597v1
- Date: Tue, 25 Aug 2026 14:20:02 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-26 14:09:35.025573
- Title: Taming foundation model with invariance-oriented pre-training for broad-spectrum EEG analysis across signal-level, brain-state, and brain-health tasks
- Title（参考訳）: 信号レベル、脳状態、脳健康タスクにおける広スペクトル脳波解析のための不変指向型事前学習を用いたタミング基礎モデル
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 46.533103231728724
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Electroencephalography (EEG) is a widely used window into human brain function, but most EEG models remain tied to a one-dataset-one-model supervised paradigm. Recent EEG foundation models offer a route toward reusable representations, but most remain reconstruction-centered, assuming that EEG content predictable from local context is necessarily transferable neural information. Here we present INCEPT, an invariance-oriented EEG foundation model trained on over 11,000 hours of unlabelled clinical EEG. Rather than prioritizing signal recovery alone, INCEPT learns representation-level stability across correlated EEG observations, separating stable neural structure and essential subject-sensitive information from the nuisance variability that dominates scalp recordings while preserving subject-, state- and condition-discriminative information. We evaluate INCEPT on a broad-spectrum benchmark of ten datasets spanning three levels of post-acquisition EEG analysis: signal-level assessment, brain-state decoding, and brain-health evaluation. INCEPT ranks first among recent EEG foundation models on 26 of 30 linear-probing metrics and 24 of 30 fine-tuning metrics, and also surpasses strong task-specific specialist encoders across diverse downstream settings. Objective ablations and representation analyses further show that invariance-oriented pre-training improves transfer and organizes subject-sensitive neural representations beyond reconstruction alone. These results establish invariance learning as a promising principle for building reusable EEG foundation models.
- Abstract（参考訳）: 脳波(EEG)は人間の脳機能の窓として広く使われているが、ほとんどの脳波モデルは1セット1モデル管理パラダイムに縛られている。
最近の脳波基礎モデルは再利用可能な表現への経路を提供するが、ほとんどの場合、局所的な文脈から予測可能な脳波内容が必ずしも伝達可能な神経情報であることを仮定して、再構成中心のままである。
Invariance-oriented EEG foundation model, INCEPTについて述べる。
信号のリカバリのみを優先するのではなく、INCEPTは、関連する脳波観測における表現レベルの安定性を学習し、安定した神経構造と、主観、状態、状態の識別情報を保存しながら、頭皮記録を支配しているニュアンス変動から本質的な主観的情報とを分離する。
InCEPTは,脳波の3段階(信号レベル評価,脳状態復号,脳健診)にまたがる10のデータセットを対象に評価を行った。
INCEPTは、最近のEEGファンデーションモデルの中で、30の線形プローブメトリクスの26と30の微調整メトリクスの24にランク付けし、さまざまな下流設定で強力なタスク特化エンコーダを超越している。
客観的アブリゲーションと表現分析は、不変性指向の事前訓練が伝達を改善し、再構成のみを超えて主観的神経表現を組織化することを示している。
これらの結果は、再利用可能な脳波基盤モデルを構築するための有望な原則として、不変学習を確立している。
関連論文リスト
- ProCA: Progressive Contrastive Alignment for Robust EEG Visual Decoding [47.35612571473169]
EEGビジュアルデコーディングは、非侵襲的な神経時系列信号から視覚的セマンティクスを回復することを目的としている。
既存の手法は固定された視覚的あるいはテキスト的アンカーに依存しており、その意味的関係は、試行錯誤、主題、学習段階によって異なる脳波表現と一致している可能性がある。
本稿では,適応型ニューラル・セマンティックアライメントのための統一的でモデルに依存しないフレームワークであるProgressive Contrastive Alignment(ProCA)を提案する。
論文 参考訳（メタデータ） (2026-09-04T12:48:25Z) - Continuous-Latent Predictive Modeling with Semantic Alignment for EEG-Language Foundation Models [44.422104968778676]
脳波基礎モデルの最近の進歩は、一般化可能なニューラルデコードを可能にする大規模な事前訓練の可能性を示している。
マスク付きオートエンコーディングはタスク関連セマンティクスよりも低レベルの信号再構成を優先する傾向があり、一方自己回帰モデリングは連続神経力学と離散トークン空間のミスマッチを生成する。
脳卒中予測モデル(BLPM:Brain Latent Predictive Model)を提案する。
論文 参考訳（メタデータ） (2026-08-12T04:54:43Z) - From Handcrafted Features to Functional Edge Learning: Evolution of EEG Seizure Detection Frameworks [0.0]
Kolmogorov-Arnold Networks (KAN) は脳波による発作検出の新しいパラダイムである。
カンは、従来のニューロンの固定活性化機能を、ネットワークの接続に沿って柔軟で学習可能な機能に置き換える。
Kansは例外的なパラメータ効率、医師の信頼に固有の解釈可能性、データ不足下での堅牢なパフォーマンスを提供する。
論文 参考訳（メタデータ） (2026-06-20T23:10:04Z) - 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) - BEAT-Net: Injecting Biomimetic Spatio-Temporal Priors for Interpretable ECG Classification [1.3909285316906435]
BEAT-NetはTokenizationフレームワークを用いたバイオミメティックECG分析である。
局所的なビート形態を抽出する特殊なエンコーダによって心臓生理を分解する。
例外的なデータ効率を示し、注釈付きデータの30～35%しか使用せずに、完全に教師付きのパフォーマンスを回復する。
論文 参考訳（メタデータ） (2026-01-12T08:37:47Z) - EEG-MedRAG: Enhancing EEG-based Clinical Decision-Making via Hierarchical Hypergraph Retrieval-Augmented Generation [45.031633614714]
EEG-MedRAGは3層ハイパーグラフに基づく検索拡張生成フレームワークである。
EEGドメイン知識、個々の患者ケース、大規模リポジトリをトラバース可能なn-aryリレーショナルハイパーグラフに統合する。
第1回クロスリリース・クロスロールEEG臨床QAベンチマークを,7つの障害と5つの臨床的観点から紹介した。
論文 参考訳（メタデータ） (2025-08-19T11:12:58Z) - 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) - Large Cognition Model: Towards Pretrained EEG Foundation Model [0.0]
多様な脳波データセットと下流タスクをまたいだ一般化を目的としたトランスフォーマーベース基盤モデルを提案する。
本研究は, 神経科学, パーソナライズドメディカル, およびBCI技術の進歩を促進するための, 事前学習型脳波基盤モデルの可能性を明らかにするものである。
論文 参考訳（メタデータ） (2025-02-11T04:28:10Z) - RISE-iEEG: Robust to Inter-Subject Electrodes Implantation Variability iEEG Classifier [0.0]
頭蓋内脳波(iEEG)は、臨床および脳-コンピュータインターフェースの応用にますます使われている。
本稿では, 電極内注入変動に頑健な新しいデコーダモデルを提案する。
我々はこのモデルをRISE-iEEGと呼び、このモデルはRobust to Inter-Subject Electrode implantation Variability iEEG の略である。
論文 参考訳（メタデータ） (2024-08-12T18:33:19Z)
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。