論文の概要: MEL: Coordinate-Preserving EEG Tokenization for fMRI Translation

• arxiv url: http://arxiv.org/abs/2608.29304v1
• Date: Sat, 29 Aug 2026 14:43:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-01 18:31:30.919028
• Title: MEL: Coordinate-Preserving EEG Tokenization for fMRI Translation
• Title（参考訳）: MEL:fMRI翻訳のための座標保存脳波トークン化
• Abstract要約: 脳波を機能的磁気共鳴イメージング(fMRI)に変換することは、医学的神経イメージング、臨床脳状態モニタリング、マルチモーダル神経復号において重要である。 既存の脳波からfMRIまでの研究は主により強力なデコーダを追求しているが、この問題は表現とインタフェースのミスマッチによって制限されている。 座標保存型EEG表現フレームワークであるMEL(Multi-band EEG Latent-state Tokenization)を提案する。
• 参考スコア（独自算出の注目度）: 25.21200422340112
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Translating electroencephalography (EEG) into functional magnetic resonance imaging (fMRI) is important for medical neuroimaging, clinical brain-state monitoring, and multimodal neural decoding, because it aims to infer spatially organized hemodynamic activity from fast and accessible electrophysiological recordings. Existing EEG-to-fMRI studies mainly pursue stronger decoders, but the problem is also constrained by a representation-interface mismatch: fMRI responses are delayed, temporally integrated, and spatially distributed, whereas generic EEG encodings often entangle temporal lag, channel identity, and frequency-band structure. We propose Multi-band EEG Latent-state Tokenization (MEL), a coordinate-preserving EEG representation framework that anchors each target fMRI response to its preceding EEG history and organizes it into lag-channel-frequency neural-state tokens. By explicitly capturing hemodynamic latency and spectral-spatial dynamics, MEL aligns fMRI-pertinent EEG representations with capacity-controlled readouts without depending entirely on model scaling. Experiments on VU EEG-fMRI benchmarks and external Oddball data show that MEL improves prediction over strong NeuroBOLT baselines. Ablations and controls further indicate that the gains come from structured EEG representation rather than leakage, shortcut statistics, or decoder capacity.
• Abstract（参考訳）: 脳波(EEG)を機能的磁気共鳴イメージング(fMRI)に変換することは、高速でアクセス可能な電気生理学的記録から空間的に組織化された血行動態を推定することを目的としているため、医療用神経イメージング、臨床脳状態モニタリング、マルチモーダル神経デコーディングにおいて重要である。 既存のEEG-to-fMRI研究は、主により強力なデコーダを追求しているが、この問題は、fMRI応答が遅延し、時間的に統合され、空間的に分散されているのに対して、一般的なEEGエンコーディングは、しばしば時間ラグ、チャネルアイデンティティ、周波数バンド構造を絡ませている。 本稿では,MEL(Multi-band EEG Latent-state Tokenization)を提案する。MEL(Multi-band EEG Latent-state Tokenization)は,従来の脳波履歴に対する各ターゲットfMRI応答をアンロックし,ラグチャネル周波数のニューラルステートトークンに整理する座標保存型脳波表現フレームワークである。 血行力学的遅延とスペクトル空間力学を明示的に捉えることで、MELはfMRI-pertinent EEG表現とキャパシティ制御されたリードアウトを、モデルスケーリングに完全に依存せずに整列する。 VU EEG-fMRIベンチマークと外部オッドボールデータによる実験により、MELは強力なNeuroBOLTベースラインの予測を改善することが示された。 アブレーションとコントロールは、リークやショートカット統計、デコーダの容量よりも、構造化されたEEG表現から得られることをさらに示している。

関連論文リスト

• Modeling Spatiotemporal Neural Frames for High Resolution Brain Dynamic [31.029079653041336]
  高分解能fMRIは大規模アプリケーションを制限する。 EEGはfMRIを補完するミリ秒レベルの時間的手がかりを提供する。 脳波に基づく動的fMRIの再構成はシーケンス連続性と実用性を向上させる。
  論文  参考訳（メタデータ） (2026-03-25T10:53:11Z)
• NeuroRVQ: Multi-Scale EEG Tokenization for Generative Large Brainwave Models [66.91449452840318]
  我々は、コードブックベースのトークン化装置を中心としたスケーラブルな大脳波モデル(LBM)であるNeuroRVQを紹介する。 我々のトークンライザは, (i) フル周波数のニューラルスペクトルを捕捉するマルチスケール特徴抽出モジュール, (ii) 高精細符号化のための階層的残留ベクトル量子化(RVQ)コードブック, (iii) 効率的なトレーニングのためのEEG信号位相および振幅認識損失関数を統合する。 実験の結果,NeuroRVQは再建誤差を低くし,様々な下流タスクにおいて既存のLBMよりも優れることがわかった。
  論文  参考訳（メタデータ） (2025-10-15T01:26:52Z)
• Neuromorphic Wireless Split Computing with Resonate-and-Fire Neurons [69.73249913506042]
  本稿では、共振器(RF)ニューロンを用いて時間領域信号を直接処理する無線スプリットコンピューティングアーキテクチャについて検討する。 可変周波数で共鳴することにより、RFニューロンは低スパイク活性を維持しながら時間局在スペクトル特徴を抽出する。 実験の結果,提案したRF-SNNアーキテクチャは従来のLIF-SNNやANNと同等の精度を達成できることがわかった。
  論文  参考訳（メタデータ） (2025-06-24T21:14:59Z)
• CodeBrain: Towards Decoupled Interpretability and Multi-Scale Architecture for EEG Foundation Model [52.466542039411515]
  EEGファウンデーションモデル(EFM)は、タスク固有のモデルのスケーラビリティ問題に対処するために登場した。 このギャップを埋めるために設計された2段階のEMFであるCodeBrainを紹介します。 第1段階では、異種時間・周波数の脳波信号を離散トークンに分解するTFDual-Tokenizerを導入する。 第2段階では、構造化されたグローバル畳み込みとスライディングウインドウの注意を結合したマルチスケールEEGSSMアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2025-06-10T17:20:39Z)
• 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)
• Time-varying EEG spectral power predicts evoked and spontaneous fMRI motor brain activity [4.2991900707527915]
  脳波-fMRI同時記録は、fMRI信号と脳波信号の相補的な高空間分解能と高時間分解能をそれぞれ利用することにより、脳活動の研究にますます利用されている。 本稿では,Sparse Group Lasso正則化を用いた個別被験者を対象とした解釈モデルを用いて,運動脳ネットワークのタスク誘発信号と自発fMRI信号の両方を予測できるかどうかを検討する。
  論文  参考訳（メタデータ） (2025-04-14T22:54:41Z)
• 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)
• NeuroBOLT: Resting-state EEG-to-fMRI Synthesis with Multi-dimensional Feature Mapping [15.811159139388971]
  我々は,脳内のfMRI活動信号に生の脳波データを変換するためにNeuroBOLT,すなわちNeuro-to-BOLD Transformerを導入する。 実験の結果,NeuroBOLTは一次感覚野,高レベル認知領域,深部皮質下脳領域から観測不能なfMRI信号を効果的に再構成することがわかった。
  論文  参考訳（メタデータ） (2024-10-07T02:47:55Z)
• Interpretable Spatio-Temporal Embedding for Brain Structural-Effective Network with Ordinary Differential Equation [56.34634121544929]
  本研究では,まず動的因果モデルを用いて脳効果ネットワークを構築する。 次に、STE-ODE(Spatio-Temporal Embedding ODE)と呼ばれる解釈可能なグラフ学習フレームワークを導入する。 このフレームワークは、構造的および効果的なネットワーク間の動的相互作用を捉えることを目的とした、特異的に設計されたノード埋め込み層を含んでいる。
  論文  参考訳（メタデータ） (2024-05-21T20:37:07Z)
• Leveraging sinusoidal representation networks to predict fMRI signals from EEG [3.3121941932506473]
  本稿では,マルチチャネル脳波から直接fMRI信号を予測できる新しいアーキテクチャを提案する。 本モデルは,脳波の周波数情報を学習するための正弦波表現ネットワーク(SIREN)を実装して実現している。 我々は,脳波-fMRI同時データセットを8被験者で評価し,脳皮質下 fMRI 信号の予測の可能性について検討した。
  論文  参考訳（メタデータ） (2023-11-06T03:16:18Z)
• fMRI from EEG is only Deep Learning away: the use of interpretable DL to unravel EEG-fMRI relationships [68.8204255655161]
  多チャンネル脳波データからいくつかの皮質下領域の活性を回復するための解釈可能な領域基底解を提案する。 我々は,皮質下核の血行動態信号の頭皮脳波予測の空間的・時間的パターンを復元する。
  論文  参考訳（メタデータ） (2022-10-23T15:11:37Z)
• Augmenting interictal mapping with neurovascular coupling biomarkers by structured factorization of epileptic EEG and fMRI data [3.2268407474728957]
  脳波-fMRI解析のための新しい構造マトリックス・テンソル分解法を開発した。 抽出したソースシグネチャは、イクタルオンセットゾーンの感度な局所化を提供することを示す。 また,血行動態の空間的変動から相補的局所化情報を導出できることが示唆された。
  論文  参考訳（メタデータ） (2020-04-29T13:27:45Z)

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。