論文の概要: Decoupling Time and Space: A Temporally Conditioned Refinement for EEG Source Imaging

• arxiv url: http://arxiv.org/abs/2610.06726v1
• Date: Mon, 05 Oct 2026 17:15:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 23:20:27.033202
• Title: Decoupling Time and Space: A Temporally Conditioned Refinement for EEG Source Imaging
• Title（参考訳）: 時間と空間の疎結合:脳波源イメージングのための一時条件付きリファインメント
• Abstract要約: 根底にある神経源を推定することは、ひどく不適切な空間的逆問題である。 本稿では,時間単位の空間的洗練からグローバルな時間的表現学習を明示的に分離する新しい2ストリームフレームワークを提案する。 人工脳波データのみに基づいて訓練されたモデルを実世界の脳波に適用する。
• 参考スコア（独自算出の注目度）: 17.07891390780189
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Electroencephalography (EEG) offers millisecond temporal resolution, but inferring underlying neural sources is a severely ill-posed spatial inverse problem. While deep learning has advanced spatial reconstruction, current architectures face a critical dilemma: frame-by-frame models discard vital temporal context, whereas full 4D spatiotemporal networks introduce an architectural trade-off between reconstruction accuracy and inference cost. We propose a novel two-stream framework that explicitly decouples global temporal representation learning from per-time-point spatial refinement. A Transformer-based Temporal Condition Encoder processes the entire EEG sequence via factorized spatiotemporal attention, retaining sensor-resolved features. A fixed inverse then maps these features into source-indexed conditioning for a per-timestep Source-Space Transformer or volumetric convolutional refiner. Extensive evaluations on realistic synthetic data demonstrate that this temporal prior dramatically improves spatial localization, outperforming classical and spatiotemporal baselines, particularly in high-noise and multi-source regimes. Training across diverse leadfields and explicit operator mismatches improves transfer to unseen head geometries and brings template-based reconstruction closer to subject-specific inversion. Furthermore, we apply the model trained only on synthetic EEG data to real-world EEG. A logistic regressor fit on source power differences in eyes-open, eyes-closed conditions successfully decodes age groups.
• Abstract（参考訳）: 脳電図(EEG)はミリ秒の時間分解能を提供するが、根底にある神経源を推定することは、非常に不適切な空間的逆問題である。 フレーム・バイ・フレーム・モデルは重要な時間的文脈を廃止する一方、フル4D時空間ネットワークは再構築精度と推論コストの間にアーキテクチャ上のトレードオフをもたらす。 本稿では,時間単位の空間的洗練からグローバルな時間的表現学習を明示的に分離する新しい2ストリームフレームワークを提案する。 トランスフォーマーベースのテンポラルコンディションエンコーダは、分解された時空間的注意を通して全EEGシーケンスを処理し、センサ解決された特徴を保持する。 固定逆は、これらの機能を、時間ステップごとのソース-スペース変換またはボリューム畳み込み整流器のソースインデクシング条件にマッピングする。 現実的な合成データに対する広範囲な評価は、この時間的先行が空間的局所化を劇的に改善し、古典的・時空間的ベースライン、特に高ノイズ・マルチソース体制において優れた性能を発揮することを示している。 多様なリードフィールドと明示的な操作ミスマッチのトレーニングは、見えないヘッドジオメトリへの転送を改善し、テンプレートベースの再構築を主題固有の反転に近づける。 さらに,人工脳波データのみに基づいて訓練されたモデルを実世界の脳波に適用する。 ロジスティック回帰器は、目を開けた、目を閉じた状態の電源電力差に適合し、年齢群を復号することに成功した。

関連論文リスト

• 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)
• Learning Spatio-Temporal Foundation Models from Pure Synthetic Data [85.23980441738811]
  NeoSTは、現実バイアスに対するスケーラブルな合成学習コーパスであり、複数の将来の軌跡を反復的に生成・洗練する潜在空間推論アーキテクチャであり、構造的ダイナミクスを強調し、分散シフトの下で推論時間補正を可能にする潜在空間目的である。 様々な実世界のベンチマークによる大規模な実験は、NeoSTが様々な実世界の時間系において既存のSTFMより一貫して優れていることを示している。
  論文  参考訳（メタデータ） (2026-06-27T02:56:46Z)
• Towards Physically Consistent 4D Scene Reconstruction for Closed-loop Autonomous Driving Simulation [19.055975606481635]
  高忠実なストリートシーンの再構築は、エンドツーエンドの自動運転シミュレーションにおいて重要である。 既存の3DGSメソッドとその4D拡張は、両方を同時に達成できない。 空間的識別性を回復するための直交射影勾配(OPG)を提案する。
  論文  参考訳（メタデータ） (2026-05-20T11:09:53Z)
• Learning Transferable Temporal Primitives for Video Reasoning via Synthetic Videos [52.00944453189226]
  時間的プリミティブをモデルに教えるポストトレーニングフレームワークであるSynRLを紹介する。 時間的理解を短期的原始(速度,方向)と長期的認知的原始に分解する。 単純な幾何学的形状のトレーニングにもかかわらず、SynRLは時間的グラウンド、複雑な推論、一般的なビデオ理解にまたがる15のベンチマークで大幅に改善されている。
  論文  参考訳（メタデータ） (2026-03-18T13:10:47Z)
• MEMTS: Internalizing Domain Knowledge via Parameterized Memory for Retrieval-Free Domain Adaptation of Time Series Foundation Models [51.506429027626005]
  Memory for Time Series (MEMTS) は、時系列予測における検索不要領域適応のための軽量かつプラグアンドプレイ方式である。 MEMTSの鍵となるコンポーネントは知識永続化モジュール(KPM)であり、ドメイン固有の時間力学を内部化する。 このパラダイムシフトにより、MEMTSは定数時間推論とニアゼロレイテンシによる正確なドメイン適応を実現することができる。
  論文  参考訳（メタデータ） (2026-02-14T14:00:06Z)
• Multivariate Long-term Time Series Forecasting with Fourier Neural Filter [42.60778405812048]
  我々はFNFをバックボーンとして、DBDをアーキテクチャとして導入し、空間時間モデルのための優れた学習能力と最適な学習経路を提供する。 FNFは、局所時間領域とグローバル周波数領域の情報処理を単一のバックボーン内で統合し、空間的モデリングに自然に拡張することを示す。
  論文  参考訳（メタデータ） (2025-06-10T18:40:20Z)
• VoxNeRF: Bridging Voxel Representation and Neural Radiance Fields for Enhanced Indoor View Synthesis [73.50359502037232]
  VoxNeRFは、ニューラル室内再構成と新しいビュー合成の質と効率を高めるための新しいアプローチである。 本稿では,最も関連性の高い領域に計算資源を割り当てる効率的なボクセル誘導サンプリング手法を提案する。 私たちのアプローチは、ScanNetとScanNet++に関する広範な実験で検証されています。
  論文  参考訳（メタデータ） (2023-11-09T11:32:49Z)
• SST-ReversibleNet: Reversible-prior-based Spectral-Spatial Transformer for Efficient Hyperspectral Image Reconstruction [15.233185887461826]
  Reversible-prior-based methodと呼ばれる新しいフレームワークが提案されている。 ReversibleNetは、シミュレートされた実HSIデータセットの最先端メソッドよりも大幅に優れています。
  論文  参考訳（メタデータ） (2023-05-06T14:01:02Z)
• Global-to-Local Modeling for Video-based 3D Human Pose and Shape Estimation [53.04781510348416]
  フレーム内精度とフレーム間スムーズさにより,映像に基づく3次元人間のポーズと形状推定を評価する。 エンドツーエンドフレームワークGLoT(Global-to-Local Transformer)における長期的・短期的相関のモデル化を構造的に分離することを提案する。 我々のGLoTは、一般的なベンチマーク(3DPW、MPI-INF-3DHP、Human3.6M)において、最も低いモデルパラメータを持つ従来の最先端の手法を上回る。
  論文  参考訳（メタデータ） (2023-03-26T14:57:49Z)

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。