論文の概要: iBrain: A Unified Foundation Model Reading the Brain from Surface to Spikes

• arxiv url: http://arxiv.org/abs/2609.06960v1
• Date: Mon, 07 Sep 2026 02:56:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-10 19:44:08.342843
• Title: iBrain: A Unified Foundation Model Reading the Brain from Surface to Spikes
• Title（参考訳）: iBrain:表面からスパイクまで脳を読み取る統一ファンデーションモデル
• Abstract要約: iEEGとスパイク活動から共同で学習する統合基盤モデルiBrainを紹介する。 マスク信号再構成とチャンネルビューアライメントを用いて,iBrainを7000時間以上にわたってトレーニングした。 iBrainは、シングルシグナル事前トレーニングベースラインを一貫して上回り、複数のベンチマークで最先端のパフォーマンスを達成する。
• 参考スコア（独自算出の注目度）: 3.2517081185249075
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Invasive neural recordings provide high-fidelity measurements of brain activity, with signals such as intracranial EEG (iEEG) and intracortical spiking activity capturing neural dynamics at different spatial and temporal scales. Yet existing neural foundation models have largely been developed independently for different invasive recording paradigms, leaving joint pretraining across heterogeneous invasive signals underexplored. In this work, we introduce iBrain, a unified foundation model that jointly learns from iEEG and spiking activity. iBrain employs signal-specific encoders to accommodate their distinct signal characteristics and a shared spatiotemporal Transformer backbone to model dependencies across recording channels and time. We pretrain iBrain on over 7,000 hours of heterogeneous neural recordings using masked signal reconstruction and channel-view alignment, promoting contextual modeling of neural dynamics and robustness across different channels. iBrain consistently outperforms single-signal pretraining baselines and achieves state-of-the-art performance on multiple benchmarks. Further experiments demonstrate that iBrain exhibits transferability and data efficiency across diverse recording settings. These results highlight the potential of joint pretraining on heterogeneous invasive neural recordings to support scalable neural modeling and transferable representations across recording settings and downstream tasks.
• Abstract（参考訳）: 侵襲的な神経記録は、脳内脳波(iEEG)や皮質内スパイク活動(intracortical spiking activity)などの信号が異なる空間的、時間的スケールで神経力学を捉えることによって、脳活動の高忠実度測定を提供する。 しかし、既存の神経基盤モデルは、異なる侵襲的な記録パラダイムのために独立して開発され、不均一な侵襲的な信号間でのジョイント事前訓練が未解決のまま残されている。 本稿では,iEEGとスパイク活動から共同で学習する統合基盤モデルiBrainを紹介する。 iBrainは、異なる信号特性に対応するために信号固有のエンコーダを使用し、共有時空間トランスフォーマーバックボーンを使用して、記録チャネルと時間間の依存関係をモデル化する。 マスク信号再構成とチャンネルビューアライメントを用いて,iBrainを7000時間以上のヘテロジニアスなニューラル記録にプリトレーニングし,異なるチャネルにわたるニューラルダイナミクスとロバストネスの文脈的モデリングを促進した。 iBrainは、シングルシグナル事前トレーニングベースラインを一貫して上回り、複数のベンチマークで最先端のパフォーマンスを達成する。 さらなる実験では、iBrainは様々な記録設定で転送性とデータ効率を示す。 これらの結果は、スケーラブルなニューラルモデリングと、記録設定と下流タスク間の転送可能な表現をサポートするため、異種侵襲的なニューラル記録に対する共同事前トレーニングの可能性を強調している。

関連論文リスト

• BrainDyn: A Sheaf Neural ODE for Generative Brain Dynamics [8.837573450847225]
  構造化脳グラフ上での連続時間ダイナミクスのためのせん断神経常微分方程式(neural ODE)モデルであるBrainDynを導入する。 BrainDynは、長期記憶(LSTM)モデルを使用して、各脳領域の最近の活動履歴をエンコードする。 結果の表現は、シリコ摂動予測を含む下流タスクをサポートする。
  論文  参考訳（メタデータ） (2026-05-19T04:03:01Z)
• Brain-Gen: Towards Interpreting Neural Signals for Stimulus Reconstruction Using Transformers and Latent Diffusion Models [1.479639149658596]
  脳波記録から観察された視覚刺激に関連する空間的時間的表現を抽出する枠組みを提案する。 我々の研究は、脳波信号の一般化可能な意味解釈に向けた重要な一歩である。
  論文  参考訳（メタデータ） (2025-12-21T18:20:21Z)
• 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)
• SynBrain: Enhancing Visual-to-fMRI Synthesis via Probabilistic Representation Learning [54.390403684665834]
  視覚刺激が皮質反応にどのように変換されるかを理解することは、計算神経科学の基本的な課題である。 視覚的意味論から神経反応への変換を確率的かつ生物学的に解釈可能な方法でシミュレートする生成フレームワークであるSynBrainを提案する。 実験結果から,SynBrainは被写体特異的視覚-fMRI符号化性能において最先端の手法を超越していることが示された。
  論文  参考訳（メタデータ） (2025-08-14T03:01:05Z)
• 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)
• Towards Unified Neural Decoding with Brain Functional Network Modeling [34.13766828046489]
  本稿では,ニューラルデコードフレームワークMIBRAINについて述べる。 MIBRAINは、複数の個人にまたがる頭蓋内神経生理学的記録を統合することで、機能的脳ネットワークモデルを構築する。 我々のフレームワークは、個人間で堅牢なニューラルデコーディングの道を開き、実践的な臨床応用のための洞察を提供する。
  論文  参考訳（メタデータ） (2025-05-30T12:10:37Z)
• BrainStratify: Coarse-to-Fine Disentanglement of Intracranial Neural Dynamics [8.36470471250669]
  ニューラルアクティビティから直接音声をデコードすることは、脳-コンピュータインターフェース(BCI)研究における中心的な目標である。 近年、脳内野電位記録(SEEG)やECoG(ElectroCorticoGraphy)など、頭蓋内野電位記録(intracranial field potential recordings)の利用により、エキサイティングな進歩がなされている。 i)タスク関連神経信号はsEEG電極に分散し、(ii)タスク関連神経信号をsEEGとECoの両方で絡み合うことが多い。
  論文  参考訳（メタデータ） (2025-05-26T19:36:39Z)
• 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)
• Integration of Calcium Imaging Traces via Deep Generative Modeling [0.0]
  スパイク推定アルゴリズムに頼らずに、カルシウムイメージング蛍光トレースから単一ニューロン表現を学習する方法を示す。 このアプローチは、バッチ効果を緩和しながら生物学的変動を保ちながら、最先端モデルよりも優れていることが判明した。 このフレームワークは、シングルニューロンダイナミクスの堅牢な可視化、クラスタリング、解釈を可能にする。
  論文  参考訳（メタデータ） (2025-01-24T16:33:52Z)
• 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)
• BrainODE: Dynamic Brain Signal Analysis via Graph-Aided Neural Ordinary Differential Equations [67.79256149583108]
  本稿では,脳波を連続的にモデル化するBrainODEというモデルを提案する。 遅延初期値とニューラルODE関数を不規則な時系列から学習することにより、BrainODEは任意の時点の脳信号を効果的に再構築する。
  論文  参考訳（メタデータ） (2024-04-30T10:53:30Z)
• MBrain: A Multi-channel Self-Supervised Learning Framework for Brain Signals [7.682832730967219]
  本稿では,SEEGデータとEEGデータのいずれかを事前学習できる脳信号の自己教師型学習フレームワークについて検討する。 そこで我々は,異なるチャネル間の空間的および時間的相関を暗黙的に学習するために,MBrainを提案する。 我々のモデルは、最先端のSSLおよび教師なしモデルよりも優れており、臨床に展開する能力を持っている。
  論文  参考訳（メタデータ） (2023-06-15T09:14:26Z)
• Contrastive-Signal-Dependent Plasticity: Self-Supervised Learning in Spiking Neural Circuits [61.94533459151743]
  この研究は、スパイキングネットワークのシナプスを調整するための神経生物学的に動機づけられたスキームを設計することの課題に対処する。 我々の実験シミュレーションは、繰り返しスパイクネットワークを訓練する際、他の生物学的に証明可能なアプローチに対して一貫した優位性を示す。
  論文  参考訳（メタデータ） (2023-03-30T02:40:28Z)
• 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)

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。