論文の概要: A Roadmap for MEG Foundation Models

• arxiv url: http://arxiv.org/abs/2609.04461v1
• Date: Thu, 03 Sep 2026 20:43:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-07 18:15:23.81591
• Title: A Roadmap for MEG Foundation Models
• Title（参考訳）: MEG基盤モデルのロードマップ
• Abstract要約: 脳磁図(MEG)は、ミリ秒分解能で人間の皮質力学を捉える。 MEGファウンデーションモデルは、ごく少数のMEG固有モデルとMEG非包括的マルチモーダルモデルによって、まだ初期段階にある。 この視点は、MEG基盤モデルを理解するのに必要な基本的な概念を概説し、この分野の主要な設計選択の実践的概要を提供する。
• 参考スコア（独自算出の注目度）: 1.9078940758088276
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Foundation models are beginning to reshape brain-signal analysis by moving the field beyond task-specific decoding pipelines toward reusable models pretrained on broad neural datasets. Magnetoencephalography (MEG) is a compelling but still underdeveloped target for this shift: it captures human cortical dynamics at millisecond resolution while offering stronger spatial interpretability than EEG, making it especially valuable for source-resolved studies of perception, language, cognition, and clinical brain function. Yet MEG foundation models remain at an early stage, with only a small number of MEG-specific and MEG-inclusive multi-modal models, modest pretraining corpora, and emerging but still limited benchmarks. This perspective lays down the basic concepts needed to understand MEG foundation models and provides a didactic overview of the field's key design choices, including tokenization, sensor- versus source-space representations, sensor-geometry encoding, backbone architectures, self-supervised objectives, and pretraining data. We then offer a roadmap for future development, organized around native MEG pretraining, adaptation of EEG foundation models, transfer from generic time-series models, and multi-modal integration with EEG, fMRI, MRI, behaviour, and stimulus features. We highlight the need for coordinated infrastructure, including diverse and reusable MEG datasets, rigorous evaluation across subjects, sites, tasks, and clinical settings, and responsible data-sharing practices that address consent, privacy, access, and governance.
• Abstract（参考訳）: ファンデーションモデルは、タスク固有のデコードパイプラインを越えて、広いニューラルネットワークで事前訓練された再利用可能なモデルに移行することで、脳信号の分析を再構築し始めている。 脳磁図(MEG)は、脳波よりも強い空間的解釈性を提供しながら、ミリ秒の解像度で人間の皮質力学を捉え、知覚、言語、認知、臨床脳機能のソース解決研究に特に有用である。 しかし、MEGファンデーションモデルはまだ初期段階にあり、少数のMEG固有モデルとMEG非包括型マルチモーダルモデル、控えめな事前学習コーパス、そして新しいベンチマークがまだ限られている。 この視点はMEGファンデーションモデルを理解するために必要な基本的な概念を概説し、トークン化、センサ対ソース空間表現、センサージオメトリエンコーディング、バックボーンアーキテクチャ、自己管理対象、事前学習データなど、この分野の主要な設計選択の実践的概要を提供する。 次に、ネイティブMEG事前トレーニング、EEGファンデーションモデルの適応、一般的な時系列モデルからの移行、EEG、fMRI、MRI、行動、刺激機能とのマルチモーダル統合を中心に、将来の開発ロードマップを提供する。 多様な再利用可能なMEGデータセット、主題、サイト、タスク、臨床環境に対する厳格な評価、同意、プライバシ、アクセス、ガバナンスに対処する責任あるデータ共有プラクティスなど、調整されたインフラストラクチャの必要性を強調します。

関連論文リスト

• Wireless Foundation Models: State-of-the-Art and Open Challenges [8.033625328567284]
  無線基礎モデル(WFM)は、大規模無線データから再利用可能な表現を学習するための有望なアプローチとして登場した。 このサーベイは物理層アプリケーションのためのWFMの系統的解析を提供する。
  論文  参考訳（メタデータ） (2026-09-04T04:26:04Z)
• Hand-Object Interaction in the Age of Large Foundation Models:Reconstruction, Generation, and Embodied Transfer [55.982669669569624]
  本調査は,手動物体相互作用における基礎モデル-モデル先行の体系的検討である。 我々は,8つの基礎モデルサブプライヤの分類を幾何学的,意味的,視覚的ファミリーに分類する。 本研究では,人-データ事前学習,人間-ロボットのスキル伝達,HOI-to-ロボットデータ生成など,HOI由来の知識がロボット学習にどのように利用されているかを検討する。
  論文  参考訳（メタデータ） (2026-07-30T15:48:16Z)
• GEM: Generative Supervision Helps Embodied Intelligence [60.28190143133428]
  VLM(Embodied Vision-Language Models)は、ロボット工学における優れた性能と一般化を実証している。 標準的なテキスト誘導事前学習パラダイムの高レベルのセマンティックフォーカスと、エンボディ環境での実行に不可欠な低レベルの空間的および物理的知識との間には、大きなギャップが残っている。 我々は、この分割を橋渡しするために設計された、ジェネレーティブ制御されたエンボディード視覚言語モデルであるGEMを紹介する。
  論文  参考訳（メタデータ） (2026-05-27T14:39:42Z)
• Pretraining Strategies and Scaling for ECG Foundation Models: A Systematic Study [1.8964402635820148]
  本研究は心電図(ECG)データの基礎モデルに焦点をあてる。 本稿では,ECG基礎モデルに対する5つの異なるコントラスト的・非コントラスト的自己教師型学習目標を網羅した事前学習手法の総合評価を行う。 本研究は,データセットのサイズを事前学習することで,公開ソースから最大1100万の入力サンプルを抽出する手法である。
  論文  参考訳（メタデータ） (2026-05-12T15:10:15Z)
• MEG-GPT: A transformer-based foundation model for magnetoencephalography data [6.336623115095147]
  近年のディープラーニングの進歩は、言語や視覚などの他の領域において、大規模に基礎モデルを使用することで、大きな進歩をもたらした。 本稿では,時間アテンションと次の時間ポイント予測を用いたトランスフォーマーベース基盤モデルMEG-GPTを紹介する。 我々は大規模なMEGデータセットから抽出したトークン化された脳領域の時間軸についてMEG-GPTを訓練した。
  論文  参考訳（メタデータ） (2025-10-20T20:18:38Z)
• Foundation Models in Medical Image Analysis: A Systematic Review and Meta-Analysis [7.905460364844281]
  ファンデーションモデル(FM)は、医療画像解析に革命をもたらし、様々な医療画像タスクにおいて、ゼロショットと少数ショットのパフォーマンスを強く証明している。 FMは、ラベル付きおよびラベルなしのマルチモーダルデータセットの大規模なコーパスを利用して、一般化された表現を学習する。 医療画像におけるFM研究の急速な普及にもかかわらず、フィールドは断片化されている。 本稿では,医療画像解析におけるFMの包括的かつ構造化された分析について述べる。
  論文  参考訳（メタデータ） (2025-10-19T19:19:23Z)
• Adapting HFMCA to Graph Data: Self-Supervised Learning for Generalizable fMRI Representations [57.054499278843856]
  機能的磁気共鳴画像(fMRI)解析は、データセットのサイズが限られ、研究間でのドメインの変動が原因で大きな課題に直面している。 コンピュータビジョンにインスパイアされた従来の自己教師付き学習手法は、正と負のサンプルペアに依存することが多い。 本稿では,最近開発された階層関数最大相関アルゴリズム(HFMCA)をグラフ構造fMRIデータに適用することを提案する。
  論文  参考訳（メタデータ） (2025-10-05T12:35:01Z)
• AdaBrain-Bench: Benchmarking Brain Foundation Models for Brain-Computer Interface Applications [52.91583053243446]
  非侵襲的なBrain-Computer Interface(BCI)は、人間の脳を外部デバイスに接続する安全でアクセスしやすい手段を提供する。 近年,自己指導型プレトレーニングの導入により,非侵襲的BCI研究の展望が変化しつつある。 AdaBrain-Benchは、広範囲にわたる非侵襲的BCIタスクにおける脳基盤モデルを評価するための標準化されたベンチマークである。
  論文  参考訳（メタデータ） (2025-07-14T03:37:41Z)
• 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)
• Predicting Infant Brain Connectivity with Federated Multi-Trajectory GNNs using Scarce Data [54.55126643084341]
  既存のディープラーニングソリューションには,3つの大きな制限がある。 我々はフェデレートグラフベースの多軌道進化ネットワークであるFedGmTE-Net++を紹介する。 フェデレーションの力を利用して、限られたデータセットを持つ多種多様な病院の地域学習を集約する。
  論文  参考訳（メタデータ） (2024-01-01T10:20:01Z)
• fMRI-PTE: A Large-scale fMRI Pretrained Transformer Encoder for Multi-Subject Brain Activity Decoding [54.17776744076334]
  本稿では,fMRI事前学習のための革新的オートエンコーダであるfMRI-PTEを提案する。 我々のアプローチでは、fMRI信号を統合された2次元表現に変換し、次元の整合性を確保し、脳の活動パターンを保存する。 コントリビューションには、fMRI-PTEの導入、革新的なデータ変換、効率的なトレーニング、新しい学習戦略、そして我々のアプローチの普遍的な適用性が含まれる。
  論文  参考訳（メタデータ） (2023-11-01T07:24:22Z)

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。