論文の概要: Lightweight Semantic EEG Foundation Model for Frozen Cross-Disorder Transfer

• arxiv url: http://arxiv.org/abs/2610.05503v1
• Date: Sun, 04 Oct 2026 20:17:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-10 13:22:46.188946
• Title: Lightweight Semantic EEG Foundation Model for Frozen Cross-Disorder Transfer
• Title（参考訳）: 冷凍クロスディフレクションのための軽量セマンティックEEG基礎モデル
• Abstract要約: 自己教師型信号再構成により学習する軽量脳波基礎モデルであるユニバーサルセマンティック脳波基礎モデル(USE-FM)を提案する。 その結果,USE-FMはより大規模な基礎モデルに匹敵するセマンティック脳波表現を学習することがわかった。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Large-scale EEG foundation models have demonstrated promising transferability across neurological disorders, but often require millions of parameters and substantial computational resources. In this paper, we present the Universal Semantic EEG Foundation Model (USE-FM), a lightweight EEG foundation model that learns transferable neural representations through self-supervised signal reconstruction on the Temple University Hospital EEG Corpus (TUEG). After pretraining, the encoder is frozen and evaluated on two clinically distinct downstream tasks, abnormal EEG detection (TUAB) and epileptic seizure recognition (TUEP), using a unified frozen-transfer protocol against recent EEG foundation models, including LUNA-Base and CBraMod. With only 1.46 million parameters, approximately one-fifth the size of existing models, USE-FM achieves competitive overall performance, including strong sensitivity and F1-score on TUEP (SEN $75.00 \pm 14.14$, F1 $70.37 \pm 4.01$), while maintaining competitive performance on TUAB (AUC $85.24 \pm 5.61$). Beyond downstream classification, latent representation analysis using $k$-means clustering together with PCA and t-SNE demonstrates that USE-FM learns organized semantic EEG representations comparable to substantially larger foundation models. These results suggest that large-scale self-supervised pretraining enables lightweight architectures to learn transferable semantic EEG representations, providing a computationally efficient foundation for cross-disorder analysis and future clinical decision support in neurological disorders.
• Abstract（参考訳）: 大規模な脳波基礎モデルでは、神経疾患間で有望な伝達性を示すが、しばしば数百万のパラメータと相当な計算資源を必要とする。 本稿では、テンプル大学病院脳波コーパス(TUEG)の自己教師型信号再構成により、伝達可能な神経表現を学習する軽量脳波基礎モデルであるユニバーサルセマンティック脳波基礎モデル(USE-FM)を提案する。 プレトレーニング後、このエンコーダは凍結され、LUNA-BaseやCBraModを含む最近の脳波基盤モデルに対する統合されたフリーズ・トランスファープロトコルを用いて、異常脳波検出(TUAB)とてんかん性発作認識(TUEP)の2つの臨床的に異なる下流タスクで評価される。 既存のモデルの約5分の1のパラメータしか持たないUSE-FMは、TUEP(SEN 7.5.00 \pm 14.14$, F1 7.0.37 \pm 4.01$)の強い感度とF1スコアを含む、競争力のある全体的な性能を達成し、TUAB(AUC 8,5.24 \pm 5.61$)の競争力を維持する。 下流の分類以外にも、$k$-meansクラスタリングとPCAとt-SNEを用いた潜在表現分析は、USE-FMがかなり大きな基礎モデルに匹敵する組織化されたEEG表現を学習していることを示す。 これらの結果は, 大規模自己指導型プレトレーニングにより, 伝達可能なセマンティック脳波表現を学習し, 相互差分解析の計算的基礎と今後の神経疾患の臨床的決定支援を提供する。

関連論文リスト

• Taming foundation model with invariance-oriented pre-training for broad-spectrum EEG analysis across signal-level, brain-state, and brain-health tasks [46.533103231728724]
  INCEPTは11,000時間以上の非競合型臨床脳波をトレーニングした、不変指向の脳波基礎モデルである。 買収後の脳波分析の3段階にまたがる10個のデータセットの広スペクトルベンチマークでINCEPTを評価した。
  論文  参考訳（メタデータ） (2026-08-25T14:20:02Z)
• Neonatal Hypoxic-ischaemic Encephalopathy Classification from the EEG and HRV Signals Using a Conformer based Masked Autoencoder [1.2599533416395767]
  本稿では,脳波(EEG)および心拍変動(HRV)信号からの表現学習のための新しい自己教師型学習フレームワークを提案する。 畳み込み操作とTransformerベースの自己アテンションを統合することで、MAEConformerはローカル時間パターンと長距離コンテキスト依存の両方を効果的にキャプチャする。 実験の結果,学習した表現が強い伝達性とデータ効率をもたらすことが示された。
  論文  参考訳（メタデータ） (2026-07-26T09:11:03Z)
• A Multi-dimensional Framework for Evaluating Generalization in EEG Foundation Models [48.385356148620815]
  最近のEEGファンデーションモデルは、タスクとデータセット間で有望な転送機能を示している。 低リソース環境下での脳波モデル評価のための多次元評価フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-05-27T14:51:54Z)
• CLEF: EEG Foundation Model for Learning Clinical Semantics [50.3767252824646]
  CLEFは,脳波基礎モデルである。 CLEFは, 疾患の表現型, 薬物曝露, 脳波所見にまたがる新しい234タスク・ベンチマークで評価した。
  論文  参考訳（メタデータ） (2026-05-11T16:34:58Z)
• EEGDM: EEG Representation Learning via Generative Diffusion Model [17.595769291603688]
  生成拡散モデル(EEGDM)に基づく脳波表現学習フレームワークを提案する。 具体的には,拡散事前学習のための構造化状態空間モデルを開発し,DDPM(Denoising Diffusion Probabilistic Model)フレームワークを用いて学習を行った。 提案した潜時核融合変換器 (LFT) を用いた下流分類作業において, 得られた潜時脳波表現を用いた。
  論文  参考訳（メタデータ） (2025-08-13T14:40:52Z)
• 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)
• A multi-stage machine learning model on diagnosis of esophageal manometry [50.591267188664666]
  このフレームワークには、飲み込みレベルにおけるディープラーニングモデルと、学習レベルにおける機能ベースの機械学習モデルが含まれている。 これは、生のマルチスワローデータからHRM研究のCC診断を自動的に予測する最初の人工知能モデルである。
  論文  参考訳（メタデータ） (2021-06-25T20:09:23Z)

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。