論文の概要: Beyond Flattened Tokens: Structure-Preserving EEG Decoding with Reusable TriDim Blocks
- arxiv url: http://arxiv.org/abs/2609.19842v1
- Date: Thu, 17 Sep 2026 07:52:27 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-20 08:55:54.156527
- Title: Beyond Flattened Tokens: Structure-Preserving EEG Decoding with Reusable TriDim Blocks
- Title（参考訳）: Beyond Flattened Tokens: Reusable TriDim Blocksによる構造保存型EEGデコーディング
- Abstract要約: TriDimは3つのEEG軸を明示的に保持する再利用可能なブロックである。
マルチレベルな3軸リードアウトでTriDimブロックを積み重ねることで、スタンドアロンのEEGデコーダであるTriDimEEGを構築する。
- 参考スコア（独自算出の注目度）: 12.516112408628507
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Effective EEG decoding requires representations that preserve organization among channels, local waveform dynamics, and long-range temporal context. Existing EEG architectures often capture these structures using separate specialized modules or collapse them into a single token sequence, making it difficult to maintain their distinct roles and coordinate their interactions throughout the backbone. We propose TriDim, a reusable block that preserves the representation shape and keeps three EEG axes explicit: channel, sample position within each patch, and patch position across the recording. These axes correspond to spatial, short-term temporal, and long-term temporal information, respectively. Each TriDim block applies feed-forward transformations along individual axes and cross-axis attention to coordinate information exchange among them. By stacking TriDim blocks with a multi-level tri-axis readout, we construct TriDimEEG, a standalone EEG decoder. Under strict cross-subject evaluation on eight datasets spanning clinical diagnosis, sleep staging, motor imagery, and emotion recognition, TriDimEEG achieves the best overall performance among fifteen evaluated models, with a 4.3% relative improvement in average accuracy over the second-best model. Replacing Transformer blocks in three EEG foundation models with TriDim blocks yields an average relative improvement of 7.4% in downstream accuracy while reducing parameter counts by 17.0% to 47.3%. These results establish TriDim as an effective and reusable building block and TriDimEEG as a strong standalone EEG decoder. Code and parameters of TriDimEEG are available at https://github.com/ncclab-sustech/TriDim_model.
- Abstract（参考訳）: 効果的な脳波復号には、チャネル間の組織、局所波形力学、長距離時間文脈を保存する表現が必要である。
既存のEEGアーキテクチャは、しばしば別々の特別なモジュールを使用してこれらの構造をキャプチャし、単一のトークンシーケンスに分解する。
本稿では,3つのEEG軸(チャネル,各パッチ内のサンプル位置,レコード間のパッチ位置)を明示的に保持する再利用可能なブロックであるTriDimを提案する。
これらの軸はそれぞれ、時空間情報、短期情報、長期情報に対応している。
それぞれのTriDimブロックは、個々の軸に沿ってフィードフォワード変換を施し、その間の情報交換の座標に軸方向の注意を向ける。
マルチレベルな3軸リードアウトでTriDimブロックを積み重ねることで、スタンドアロンのEEGデコーダであるTriDimEEGを構築する。
臨床診断、睡眠ステージング、運動画像、感情認識を含む8つのデータセットの厳密なクロスオブジェクト評価の下で、TriDimEEGは、評価された15のモデルの中で最高の総合的なパフォーマンスを達成し、第2のベストモデルよりも平均精度が4.3%向上した。
3つのEEGファンデーションモデルにおけるトランスフォーマーブロックをTriDimブロックで置き換えると、下流の精度は平均で7.4%向上し、パラメータ数は17.0%から47.3%減少する。
これらの結果はTriDimを有効かつ再利用可能なビルディングブロックとして、TriDimEEGを強力なスタンドアロンEEGデコーダとして確立する。
TriDimEEGのコードとパラメータはhttps://github.com/ncclab-sustech/TriDim_modelで確認できる。
関連論文リスト
- Frequency-Decorrelated Temporal Ensembles for EEG--fNIRS Imagined-Handwriting Decoding [5.096813697804564]
Multimodal Brain-Computer Interface Grand Challenge(英語版)は、4種類の主観非依存手書き-軌道分類のための同期脳波とfNIRSを提供する。
我々は,3つの相補的な脳波の周波数ビューに基づいて,コンパクトなマルチスケール時間ネットワークを訓練するタスク適応型システムFREDを提案する。
モダリティ監査では、fNIRSのみの復号が偶然(全体の0.2511)、fNIRSをEEGに追加すると精度が0.0025に変化している。
論文 参考訳（メタデータ） (2026-08-04T06:08:11Z) - Not All EEG Moments Are Equal: Position-Adaptive Time Scheduling for EEG Generation [13.893263438236106]
既存のフローベースのアプローチでは、サンプル内のすべてのチャンネルと時間セグメントが単一のグローバルな時間進行を共有すると仮定する。
条件付きフローマッチングに基づく適応型脳波生成フレームワークを提案する。
我々のフレームワークは一貫して最強のベースラインを上回り、TS-FIDを最大62.2%削減し、下流の分類精度を最大6.77ポイント向上させる。
論文 参考訳（メタデータ） (2026-07-25T00:15:14Z) - Align then Refine: Text-Guided 3D Prostate Lesion Segmentation [5.284052813431228]
体積法は、解剖学的整合性を確保しながら複数のモードを組み合わせる必要がある。
現在のモデルは、クロスモーダル情報を確実に統合するのに苦労している。
3つの重要なイノベーションを取り入れた新しいマルチエンコーダU-Netアーキテクチャを提案する。
論文 参考訳（メタデータ） (2026-04-20T18:13:52Z) - MedPruner: Training-Free Hierarchical Token Pruning for Efficient 3D Medical Image Understanding in Vision-Language Models [59.180043227905294]
MedPrunerは、3次元医用画像の効率的な理解のためのトレーニング不要でモデルに依存しない階層的トークンプレーニングフレームワークである。
我々は、MedPrunerによって、MedGemmaのようなモデルが元の性能を維持したり、超えたりすることが可能であり、ビジュアルトークンの5%以下を維持していることを示す。
論文 参考訳（メタデータ） (2026-03-12T07:37:00Z) - SegStitch: Multidimensional Transformer for Robust and Efficient Medical Imaging Segmentation [15.811141677039224]
最先端の手法、特にトランスフォーマーを利用した手法は、3Dセマンティックセグメンテーションにおいて顕著に採用されている。
しかし、局所的な特徴や計算の複雑さが無視されているため、普通の視覚変換器は困難に直面する。
本稿では,SegStitchを提案する。SegStitchは変圧器とODEブロックを結合した革新的なアーキテクチャである。
論文 参考訳（メタデータ） (2024-08-01T12:05:02Z) - 3D Mitochondria Instance Segmentation with Spatio-Temporal Transformers [101.44668514239959]
本稿では,空間的および時間的注意を並列に効率的に計算するハイブリッドエンコーダデコーダフレームワークを提案する。
また,ミトコンドリアインスタンスの領域を背景から支援する訓練中に,意味的クラッタ・バックグラウンドの逆行性障害も導入した。
論文 参考訳（メタデータ） (2023-03-21T17:58:49Z) - UNETR++: Delving into Efficient and Accurate 3D Medical Image Segmentation [93.88170217725805]
本稿では,高画質なセグメンテーションマスクと,パラメータ,計算コスト,推論速度の両面での効率性を提供するUNETR++という3次元医用画像セグメンテーション手法を提案する。
我々の設計の核となるのは、空間的およびチャネル的な識別的特徴を効率的に学習する、新しい効率的な対注意ブロック(EPA)の導入である。
Synapse, BTCV, ACDC, BRaTs, Decathlon-Lungの5つのベンチマークで評価した結果, 効率と精度の両面で, コントリビューションの有効性が示された。
論文 参考訳（メタデータ） (2022-12-08T18:59:57Z) - Generalizing electrocardiogram delineation: training convolutional
neural networks with synthetic data augmentation [63.51064808536065]
ECGのデライン化のための既存のデータベースは小さく、サイズやそれらが表す病態の配列に不足している。
まず、原データベースから抽出した基本セグメントのプールを与えられたECGトレースを確率的に合成し、その整合性のある合成トレースに配置するための一連のルールを考案した。
第二に、2つの新しいセグメンテーションに基づく損失関数が開発され、これは、正確な数の独立構造の予測を強制し、サンプル数の削減に焦点をあてて、より密接なセグメンテーション境界を創出することを目的としている。
論文 参考訳（メタデータ） (2021-11-25T10:11:41Z) - Real-time EEG-based Emotion Recognition using Discrete Wavelet
Transforms on Full and Reduced Channel Signals [0.0]
コンシューマグレードのEEGデバイスを用いたリアルタイム脳波ベースの感情認識(EEG-ER)は、チャンネル数を減らすことで感情の分類を行う。
これらのデバイスは一般的に4、5チャンネルしか提供しないが、現在の最先端の研究で一般的に使用されるチャンネルの数が多いのとは対照的である。
本稿では、離散ウェーブレット変換(DWT)を用いて時間周波数領域の特徴を抽出し、時間ウィンドウを用いてEEG-ER分類を行う。
論文 参考訳（メタデータ） (2021-10-11T22:28:43Z)
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。