論文の概要: NeurDuo-EEG: A Long-Sequence EEG Foundation Model with Persistent State and Explicit Memory

• arxiv url: http://arxiv.org/abs/2609.38587v1
• Date: Tue, 29 Sep 2026 21:46:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-01 18:57:26.774234
• Title: NeurDuo-EEG: A Long-Sequence EEG Foundation Model with Persistent State and Explicit Memory
• Title（参考訳）: NeurDuo-EEG:永続状態と明示的メモリを備えた長期EEGファンデーションモデル
• Abstract要約: チャネル解決型永続メモリを用いた因果脳波基礎モデルNeurDuo-EEGを提案する。 離散スペクトルコードのマルチチャネルオートレ予測を用いて、17の公開データセットから3,955時間分の脳波を事前訓練する。 3つのショートウィンドウタスクとアセプション検出を含む5つのベンチマークのうち、最高のパフォーマンスを実現している。
• 参考スコア（独自算出の注目度）: 26.423747918428706
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Electroencephalography (EEG) is recorded continuously over hours, with relevant dynamics spanning timescales from milliseconds to hours. Most EEG foundation models nevertheless process fixed windows independently, limiting their ability to capture information encoded in long-timescale dynamics. State-space architectures enable persistent recurrent processing, but long-range information remains implicitly compressed in recurrent states. We present NeurDuo-EEG, a causal EEG foundation model with channel-resolved persistent memory. NeurDuo-EEG introduces multi-timescale memory management with learned consolidation and selective retrieval, enabling persistent modelling of continuous EEG with fixed-size state. It is pre-trained on 3,955 hours of EEG from 17 public datasets using multichannel autoregressive prediction of discrete spectral codes. Across three short-window and two long-sequence downstream tasks, NeurDuo-EEG achieves the best performance on four of five benchmarks, including all three short-window tasks and seizure detection, where AUC-PR improves from $0.285$ to $0.471$ over the strongest non-NeurDuo baseline. NeurDuo-EEG also remains competitive on sleep staging and supports efficient streaming inference, with nearly constant per-chunk latency as the available history grows to one hour. Notably, the Small variant achieves this with only 4.7M backbone parameters. These results demonstrate the value of persistent, multi-timescale modelling for both long-sequence and short-window EEG analysis. Our code is available at https://github.com/YifaNNW/NeurDuo-EEG.
• Abstract（参考訳）: 脳波(EEG)は、ミリ秒から数時間の時間スケールで、何時間も連続的に記録される。 ほとんどのEEGファンデーションモデルは独立したプロセスの固定ウィンドウであり、長期のダイナミックスでエンコードされた情報をキャプチャする能力を制限する。 ステートスペースアーキテクチャは、永続的なリカレント処理を可能にするが、ロングレンジ情報は、リカレント状態において暗黙的に圧縮される。 チャネル解決型永続メモリを用いた因果脳波基礎モデルNeurDuo-EEGを提案する。 NeurDuo-EEGは、学習された統合と選択的な検索を備えたマルチスケールメモリ管理を導入し、継続的なEEGを固定サイズの状態で永続的なモデリングを可能にする。 離散スペクトルコードのマルチチャネル自己回帰予測を用いて、17の公開データセットから3,955時間の脳波を事前訓練する。 3つのショートウィンドウと2つのロングシーケンスダウンストリームタスクの中で、NeurDuo-EEGは3つのショートウィンドウタスクとアセプション検出を含む5つのベンチマークのうち、最強の非NeurDuoベースラインに対してAUC-PRが0.285$から0.471$に改善された5つのショートウィンドウタスクの中で、最高のパフォーマンスを達成している。 NeurDuo-EEGは、スリープステージングにも競争力を持ち、効率的なストリーミング推論をサポートし、使用可能な履歴が1時間に増加するにつれて、チャンク毎のレイテンシがほぼ一定になる。 特に、Small変種は、わずか4.7Mのバックボーンパラメータでこれを達成している。 これらの結果から,長期的・短期的脳波解析における持続的・多時間的モデリングの意義が示された。 私たちのコードはhttps://github.com/YifaNNW/NeurDuo-EEG.comで公開されています。

関連論文リスト

• CaMBRAIN: Real-time, Continuous EEG Inference with Causal State Space Models [37.86790434630698]
  本稿では,脳波信号のリアルタイム推測が可能な最初のコーサル,マンバをベースとした状態空間モデルであるCaMBRAINを提案する。 CaMBRAINは、既存のモデルよりも10倍高いスループットを持つ3つの異なるEEGデータセットにわたる、最先端(SOTA)結果を達成する。
  論文  参考訳（メタデータ） (2026-05-27T17:50:36Z)
• Lightweight Test-Time Adaptation for EMG-Based Gesture Recognition [2.414036142474149]
  本稿では,TCNバックボーンを用いたテスト時間適応(TTA)のための軽量フレームワークを提案する。 本稿では, リアルタイム統計アライメントのための因果適応バッチ正規化, (ii) ガウス混合モデル(GMM)アライメント, (iii) 迅速な数ショットキャリブレーションのためのメタラーニングの3つの展開対応戦略を紹介する。 評価の結果,経験再生更新は限られたデータの下では優れた安定性を示し,メタラーニングは1ショットと2ショットのレギュレーションにおいて競争性能を達成していることがわかった。
  論文  参考訳（メタデータ） (2026-01-07T18:48:31Z)
• Bidirectional Time-Frequency Pyramid Network for Enhanced Robust EEG Classification [2.512406961007489]
  BITE(Bidirectional Time-Freq Pyramid Network)は、ロバストなマルチストリームシナジー、ピラミッド時間周波数アテンション(PTFA)、双方向適応畳み込みを特徴とするエンドツーエンドの統一アーキテクチャである。 統一アーキテクチャとして、MIタスクとSSVEPタスクの両方にわたる堅牢なパフォーマンスと、例外的な計算効率を組み合わせる。 我々の研究は、信頼性の高いBCIシステムにはスペクトル時間処理が不可欠であることを検証している。
  論文  参考訳（メタデータ） (2025-10-11T04:14:48Z)
• Echo Flow Networks [4.298381633106637]
  非線形読み出しを伴うEcho State Networks (X-ESNs) グループで構成されるフレームワークである Echo Flow Networks (EFNs) を紹介する。 EFNは、PatchTSTのような主要なメソッドに比べて最大4倍高速なトレーニングと3倍のモデルサイズを実現している。 当社のフレームワークのインスタンス化のひとつであるEchoFormerは、5つのベンチマークデータセットで、常に新しい最先端のパフォーマンスを実現しています。
  論文  参考訳（メタデータ） (2025-09-28T23:38:55Z)
• Flexiffusion: Training-Free Segment-Wise Neural Architecture Search for Efficient Diffusion Models [50.260693393896716]
  拡散モデル(DM)は高忠実度画像を生成できる強力な生成モデルであるが、高い計算コストで制約される。 我々は、事前訓練されたパラメータを変更することなく、生成スケジュールとモデルアーキテクチャを協調的に最適化する、トレーニング不要なNASフレームワークFlexiffusionを提案する。 我々の研究は、品質を犠牲にすることなく高速DMを検索するための資源効率の良いパラダイムを開拓した。
  論文  参考訳（メタデータ） (2025-06-03T06:02:50Z)
• CEReBrO: Compact Encoder for Representations of Brain Oscillations Using Efficient Alternating Attention [46.47343031985037]
  交互注意(CEReBrO)を用いた脳振動の表現のための圧縮法について紹介する。 トークン化方式は、チャネルごとのパッチで脳波信号を表現します。 本研究では,チャネル内時間的ダイナミックスとチャネル間空間的相関を共同でモデル化し,通常の自己アテンションに比べて6倍少ないメモリで2倍の速度向上を実現するための注意機構を提案する。
  論文  参考訳（メタデータ） (2025-01-18T21:44:38Z)
• REST: Efficient and Accelerated EEG Seizure Analysis through Residual State Updates [54.96885726053036]
  本稿では,リアルタイム脳波信号解析のための新しいグラフベース残状態更新機構(REST)を提案する。 グラフニューラルネットワークとリカレント構造の組み合わせを活用することで、RESTは、非ユークリッド幾何学とEEGデータ内の時間的依存関係の両方を効率的にキャプチャする。 本モデルは,発作検出と分類作業において高い精度を示す。
  論文  参考訳（メタデータ） (2024-06-03T16:30:19Z)
• Multi-Temporal Convolutions for Human Action Recognition in Videos [83.43682368129072]
  複数の解像度で抽出できる新しい時間・時間的畳み込みブロックを提案する。 提案するブロックは軽量で,任意の3D-CNNアーキテクチャに統合可能である。
  論文  参考訳（メタデータ） (2020-11-08T10:40:26Z)

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。