論文の概要: SpecBraM: What Should an EEG Foundation Model Predict? Masked Band-Power Prediction versus Waveform Reconstruction
- arxiv url: http://arxiv.org/abs/2610.07484v1
- Date: Mon, 05 Oct 2026 22:49:16 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-08 02:58:29.698357
- Title: SpecBraM: What Should an EEG Foundation Model Predict? Masked Band-Power Prediction versus Waveform Reconstruction
- Title（参考訳）: SpecBraM:脳波基礎モデル(EEG)が予測すべきことは何か? : マスクバンドパワー予測と波形再構成
- Abstract要約: Masked Band-power Predictions predicts fixed narrow-band log energy for masked channel-time patch。
このターゲットは、位相感受性波形再構成を回避しつつ、睡眠ステージングに関連するリズムパワーを保持する。
- 参考スコア（独自算出の注目度）: 7.03269499582543
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Self-supervised EEG models often reconstruct masked waveforms or predict discrete codes. We study a task-aligned alternative: masked band-power prediction (MBP), which predicts fixed narrow-band log spectral energy for masked channel-time patches. This target retains rhythm power relevant to sleep staging while avoiding phase-sensitive waveform reconstruction and a learned codebook. Across three pretraining seeds, we compare band-power and waveform targets with matched backbones, pretraining data (2,388 hours), and training steps, including a 2x2 tokenizer-by-target design. On ISRUC and HMC sleep staging, MBP exceeds raw- and band-waveform reconstruction by 1.6-2.8 balanced-accuracy points with all labels and 4.7-7.3 points with 1% of labels under a strict linear probe; the target effect exceeds the tokenizer effect. Its frozen features reach 0.7916/0.7425 balanced accuracy, versus 0.7636/0.7227 for a matched rich handcrafted spectral baseline, although the gap is about one point with 1% of labels. Full fine-tuning reaches 0.8107/0.7669. The gains do not extend to every task with spectral cues, including motor imagery, depression screening, and vigilance regression. These results support choosing pretraining targets to match the physical quantities and spatial and temporal scales relevant to downstream labels.
- Abstract（参考訳）: 自己監督型脳波モデルは、しばしばマスクされた波形を再構成したり、離散的な符号を予測する。
マスクされたチャネル時間パッチに対する固定狭帯域対数スペクトルエネルギーを予測するためのタスク整合型バンドパワー予測(MBP)について検討する。
このターゲットは、位相感受性波形再構成と学習コードブックを回避しつつ、睡眠ステージングに関連するリズムパワーを保持する。
3種類の事前学習種を対象とし,バンドパワーと波形の目標を一致したバックボーン,事前学習データ(2,388時間),および2x2トークン・バイ・ターゲット設計を含むトレーニングステップと比較した。
ISRUCとHMCのスリープステージでは、MBPは全てのラベルで1.6-2.8のバランスの取れた精度ポイントと、厳密な線形プローブの下でラベルの1%の4.7-7.3のポイントで生とバンド波形の再構成を超過し、目標効果はトークン化効果を上回る。
凍結された特徴は精度が0.7916/0.7425に達し、マッチしたリッチな手作りスペクトルベースラインでは0.7636/0.7227となる。
完全な微調整は0.8107/0.7669に達する。
利得は、運動画像、うつ病スクリーニング、警戒回帰など、スペクトル的手がかりを持つ全てのタスクに及ばない。
これらの結果は,下流ラベルに関連する物理量と空間的,時間的スケールに適合する事前学習対象の選択を支援する。
関連論文リスト
- Hybrid Ensemble Learning for EEG-Based Epileptic Seizure Forecasting [0.0]
脳波による発作予測のための校正ハイブリッドアンサンブルを提案する。
厳密なLeft-One-Patient-Outクロスバリデーションを用いたCHB-MITフレームワークの評価を行った。
目標の誤警報予算に制限されたテストチューニングされたオラクルは、1時間あたり0.951の誤警報で60.9%の感度を達成する。
論文 参考訳（メタデータ） (2026-09-26T21:18:30Z) - Beat-Synchronous Tokenization for ECG Transformers [0.7699714865575188]
トランスフォーマーベースの心電図(ECG)モデルは、一般的に波形を固定時間パッチにトークン化する。
本研究では, ビート同期トークン化を生理的根拠のある代替手段として検討した。
論文 参考訳（メタデータ） (2026-08-31T07:25:12Z) - Attention-Discounted Adaptive Sampler for Masked Diffusion Language Models [59.51249894128724]
マスク付き拡散言語モデルは、反復を識別するごとに複数のトークンを明らかにすることで推論ステップを削減することができる。
パラレルマスク拡散復号法のためのトレーニング不要な復号法であるADASを提案する。
論文 参考訳（メタデータ） (2026-06-09T13:17:27Z) - From Theory to Decision Rule: Calibrating the Noisy-Label Crossover for Vision-Language Model Weak Supervision Across Three Medical-Imaging Benchmarks [41.99844472131922]
基礎モデル弱いラベルに対するベンチマークキャリブレーションを提供する。
理論によって予測される交差は、PCAMではng100、ISICでは20-50、NIH-CXRでは250-500である。
NIH-CXR上の構造付きvs-ランダムノイズ符号フリップは、境界のレートのみの定式化が不完全であることを示す。
論文 参考訳（メタデータ） (2026-05-23T23:15:07Z) - Amplifying, Not Learning: Fine-Tuned AI Text Detectors Amplify a Pretrained Direction [51.56484100374058]
テキスト検出器は、事前訓練された典型軸を増幅する。
タスク監督前の生エンコーダでは、3つのアーキテクチャでNYT-vs-HC3 AUROC 0.806/0.944/0.834を達成する。
RoBERTaベースでは、生のプロジェクションは微調整を超えるが、RoBERTaベースでは、フル微調整は、試験された流線型人口の双方で生よりも識別を小さくする。
論文 参考訳（メタデータ） (2026-05-20T19:08:38Z) - Do Masked Autoencoders Improve Downhole Prediction? An Empirical Study on Real Well Drilling Data [41.99844472131922]
マスキードオートエンコーダ (MAE) プレトレーニングを, 坑井掘削量予測のために評価した。
最良のMAE構成は、教師付きGRUベースラインと比較してテスト平均絶対誤差を19.8%削減する。
論文 参考訳（メタデータ） (2026-04-21T22:46:42Z) - SpecTM: Spectral Targeted Masking for Trustworthy Foundation Models [0.0]
SpecTMは物理インフォームド・マスクの設計であり、対象のバンドをスペクトル間から再構成することを奨励している。
R2 = 0.695 (現在の週) と R2 = 0.620 (8日間) の予測を (+34% (0.51リッジ) と +99% (SVR 0.31) で上回っている。
極度の不足下では2.2倍のラベル効率で強いベースラインを上回ります。
論文 参考訳（メタデータ） (2026-03-23T15:26:51Z) - BiGain: Unified Token Compression for Joint Generation and Classification [47.040577759493004]
BiGainは、高速拡散モデルにおける分類を改善しながら、生成品質を保ちながら、トレーニング不要でプラグアンドプレイのフレームワークである。
我々の重要な洞察は周波数分離であり、これは大域的な意味論から細部を解き、生成的忠実さと識別的有用性の両方を尊重する圧縮を可能にする。
本分析は,拡散モデルにおけるトークン圧縮のための信頼性の高い設計規則として,高頻度の細部と低周波数のセマンティクスを保存したスペクトル保持が重要であることを示す。
論文 参考訳（メタデータ） (2026-03-12T17:55:53Z) - AudioFuse: Unified Spectral-Temporal Learning via a Hybrid ViT-1D CNN Architecture for Robust Phonocardiogram Classification [0.0]
そこで我々は,PCGを分類するために,相補的表現から学習するアーキテクチャであるAudioFuseを提案する。
PhysioNet 2016データセットでは、AudioFuseがゼロからトレーニングすると、最先端の競争力を持つROC-AUCの0.8608を達成する。
論文 参考訳（メタデータ） (2025-09-27T18:52:50Z) - Chirp Localization via Fine-Tuned Transformer Model: A Proof-of-Concept Study [0.23020018305241333]
脳波スペクトログラムのチャープ様パターンは発作ダイナミクスの鍵となるバイオマーカーである。
本研究では、視覚変換器(ViT)モデルとローランド適応(LoRA)を微調整することで、このギャップを埋める。
我々は、チャープパラメータを持つ10万のスペクトログラムを生成し、チャープローカライゼーションのための最初の大規模ベンチマークを作成した。
論文 参考訳（メタデータ） (2025-03-24T14:27:07Z) - 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)
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。