論文の概要: Brain-Token Learning: Microstate-Based Tokenization and Multi-Scale Interaction for Long-Horizon EEG Sequence Modeling

• arxiv url: http://arxiv.org/abs/2609.24324v1
• Date: Mon, 21 Sep 2026 09:27:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-23 18:04:03.977745
• Title: Brain-Token Learning: Microstate-Based Tokenization and Multi-Scale Interaction for Long-Horizon EEG Sequence Modeling
• Title（参考訳）: 脳-token Learning:長期脳波シーケンスモデリングのためのマイクロステートベースのトークン化とマルチスケールインタラクション
• Abstract要約: 固定ウィンドウやパッチベースの表現のような既存のトークン化戦略は、人工時間境界に従ってEEG信号を識別する。 Brain-Tokenは神経科学にインスパイアされたフレームワークで、長期脳波シーケンスモデリングのためのBrain Tokenizationを導入している。
• 参考スコア（独自算出の注目度）: 16.442027620466266
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Electroencephalography (EEG) provides a non-invasive window into dynamic brain activity, yet modeling long-horizon EEG sequences remains challenging due to their high temporal complexity, substantial variability across subjects, and the lack of biologically meaningful sequence representations. Existing tokenization strategies, such as fixed-window and patch-based representations, discretize EEG signals according to artificial temporal boundaries, which may disrupt intrinsic brain-state dynamics. In this work, we propose Brain-Token Learning, a neuroscience-inspired framework that introduces Brain Tokenization for long-horizon EEG sequence modeling. Instead of partitioning EEG signals into predefined temporal segments, Brain Tokenization represents EEG as sequences of recurrent microstate-derived brain tokens, where each token corresponds to a quasi-stable large-scale brain state with variable temporal duration. Based on these biologically grounded tokens, we further develop a multi-scale token interaction module consisting of Latent State Aggregation and State Transition Modeling to jointly capture global brain-state context and local microstate transitions. We evaluate Brain-Token on five heterogeneous EEG datasets, including the newly collected long-horizon NeuroLong dataset and four affective or clinical EEG datasets (SEED, DEAP, MDD, and NSSI). Extensive experiments demonstrate that Brain-Token consistently outperforms conventional CNN/LSTM architectures, Transformer-based models, and domain adaptation methods across diverse EEG scenarios. Further analysis verifies the effectiveness of microstate-based tokenization and multi-scale interaction for learning robust and interpretable EEG representations. These results establish Brain-Token as a biologically grounded tokenization paradigm for long-horizon EEG sequence modeling.
• Abstract（参考訳）: 脳波検査(EEG)は、非侵襲的な脳活動の窓を提供するが、時間的複雑さ、被験者間の大きな変動、生物学的に意味のある配列表現の欠如により、長い水平EEG配列のモデリングは依然として困難である。 固定ウィンドウやパッチベースの表現のような既存のトークン化戦略は、人工的時間境界に従って脳波信号を識別する。 そこで本研究では,脳-トークン学習(Brain-Token Learning)を提案する。脳-トークン学習(Brain-Token Learning)は神経科学にヒントを得たフレームワークで,長期脳波シーケンスモデリングのための脳-トークン化を導入している。 脳トークン化(Brain Tokenization)は、脳波信号を予め定義された時間セグメントに分割する代わりに、脳波を連続したマイクロステート由来の脳トークンのシーケンスとして表現する。 これらの生物学的基盤を持つトークンに基づいて、我々は、グローバルな脳-状態コンテキストと局所的なミクロ状態遷移を共同で捉えるために、潜在状態集合と状態遷移モデリングからなるマルチスケールトークン相互作用モジュールを更に開発する。 新たに収集したロングホライズン・ニューロロング・データセットと4つの情緒的・臨床的脳波データセット(SEED, DEAP, MDD, NSSI)を含む5つの異種脳波データセットについてブレイン・トーケンの評価を行った。 大規模な実験により、Brain-Tokenは従来のCNN/LSTMアーキテクチャ、トランスフォーマーベースのモデル、およびさまざまなEEGシナリオにおけるドメイン適応メソッドを一貫して上回ります。 さらに, マイクロステートベースのトークン化とマルチスケールインタラクションが, 頑健で解釈可能な脳波表現の学習に与える影響を検証した。 これらの結果は、長期脳波シークエンスモデリングのための生物学的基盤化されたトークン化パラダイムとしてBrain-Tokenを確立している。

関連論文リスト

• MEL: Coordinate-Preserving EEG Tokenization for fMRI Translation [25.21200422340112]
  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。
  論文  参考訳（メタデータ） (2026-08-29T14:43:51Z)
• Atoms of Thought: Universal EEG Representation Learning with Microstates [8.522741228954414]
  脳波(EEG)信号から普遍的な表現を学ぶことは、神経情報学の分野における最先端のアプローチである。 本稿では, 簡便かつ効果的な脳波表現, すなわちマイクロステートについて検討する。 連続した脳波信号を離散的なマイクロステートのシーケンスにクラスタリングすることで、大きな医療用脳波データセットから普遍的なマイクロステートトークンを作成する。
  論文  参考訳（メタデータ） (2026-05-19T17:59:31Z)
• E^2-LLM: Bridging Neural Signals and Interpretable Affective Analysis [54.763420895859035]
  脳波からの感情分析のための最初のMLLMフレームワークであるELLM2-EEG-to-Emotion Large Language Modelを提案する。 ELLMは学習可能なプロジェクション層を通じて、トレーニング済みのEEGエンコーダとQベースのLLMを統合し、マルチステージのトレーニングパイプラインを使用する。 7つの感情カテゴリーにまたがるデータセット実験により, ELLM2-EEG-to-Emotion Large Language Modelは感情分類において優れた性能を発揮することが示された。
  論文  参考訳（メタデータ） (2026-01-11T13:21:20Z)
• WaveMind: Towards a Conversational EEG Foundation Model Aligned to Textual and Visual Modalities [55.00677513249723]
  脳波信号は認知過程と固有の神経状態の両方を同時に符号化する。 我々は、EEG信号とその対応するモダリティを統一意味空間にマッピングし、一般化された解釈を実現する。 結果として得られたモデルは、柔軟でオープンな会話をサポートしながら、堅牢な分類精度を示す。
  論文  参考訳（メタデータ） (2025-09-26T06:21:51Z)
• CSBrain: A Cross-scale Spatiotemporal Brain Foundation Model for EEG Decoding [57.90382885533593]
  脳波信号の一般化のためのクロススケール時空間脳基盤モデルを提案する。 CSBrainはタスク固有のベースラインと基盤モデルのベースラインを一貫して上回ります。 これらの結果は、CSBrainを将来の脳-AI研究の強力なバックボーンとして、重要な帰納バイアスとして、クロススケールモデリングを確立している。
  論文  参考訳（メタデータ） (2025-06-29T03:29:34Z)
• 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)
• Multi-modal Mood Reader: Pre-trained Model Empowers Cross-Subject Emotion Recognition [23.505616142198487]
  我々は、クロスオブジェクト感情認識のための訓練済みモデルに基づくMultimodal Mood Readerを開発した。 このモデルは、大規模データセットの事前学習を通じて、脳波信号の普遍的な潜在表現を学習する。 公開データセットに関する大規模な実験は、クロスオブジェクト感情認識タスクにおけるMood Readerの優れたパフォーマンスを示している。
  論文  参考訳（メタデータ） (2024-05-28T14:31:11Z)
• A Knowledge-Driven Cross-view Contrastive Learning for EEG Representation [48.85731427874065]
  本稿では,限られたラベルを持つ脳波から効果的な表現を抽出する知識駆動型クロスビューコントラスト学習フレームワーク(KDC2)を提案する。 KDC2法は脳波信号の頭皮と神経のビューを生成し、脳活動の内部および外部の表現をシミュレートする。 ニューラル情報整合性理論に基づく事前のニューラル知識をモデル化することにより、提案手法は不変かつ相補的なニューラル知識を抽出し、複合表現を生成する。
  論文  参考訳（メタデータ） (2023-09-21T08:53:51Z)

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。