論文の概要: SPERA: Spherical Prior EEG Foundation Model with Geometry- and Frequency-Aware Latent Prediction
- arxiv url: http://arxiv.org/abs/2610.10571v1
- Date: Sun, 04 Oct 2026 10:39:16 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-10 11:59:33.727693
- Title: SPERA: Spherical Prior EEG Foundation Model with Geometry- and Frequency-Aware Latent Prediction
- Title（参考訳）: SPERA: 幾何学と周波数を考慮した潜時予測を用いた球面前脳波基礎モデル
- Abstract要約: 我々は,JEPA(Joint-embedding predictive Architecture)を採用したEEG基盤モデルであるSPERAを紹介した。
SPERAは、臨床、認知、BCIアプリケーションにまたがる9つの下流タスクの平均バランスの正確さを達成している。
- 参考スコア（独自算出の注目度）: 8.098427740898439
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Electroencephalography (EEG) provides a non-invasive measure of ongoing neural activity, but building general-purpose EEG models remains challenging due to the heterogeneity of subjects, devices, and electrode montages. Existing EEG foundation models predominantly rely on reconstruction-based objectives defined on the observed signal, which contains both neural and non-neural components. We introduce SPERA (Spherical Prior EEG Representation Architecture), an EEG foundation model that adopts the joint-embedding predictive architecture (JEPA) to predict in latent space. SPERA introduces a Legendre-polynomial spatial prior, incorporated into attention to encode varying scalp electrode geometries. Two further components adapt the model to EEG: factorized temporal and spatial attention interleaved with periodic full-attention blocks, and a relational spectral regularizer aligning latent similarity structure with spectral views. Pretrained on approximately 80,000 hours of EEG from 29,048 subjects across 106 datasets, SPERA achieves the highest average balanced accuracy across nine downstream tasks spanning clinical, cognitive, and BCI applications. SPERA further exhibits strong parameter efficiency under linear probing and robustness across varying recording conditions, suggesting its potential as a general-purpose backbone for diverse EEG analyses.
- Abstract（参考訳）: 脳波検査(EEG)は、現在進行中の神経活動の非侵襲的な測定方法であるが、被験者、デバイス、電極モンタージュの不均一性のため、汎用脳波モデルの構築は依然として困難である。
既存の脳波基礎モデルは、主に神経成分と非神経成分の両方を含む観測信号に基づいて定義された再構成に基づく目的に依存している。
SPERA(Spherical Prior EEG Representation Architecture)は,JEPA(Command-embedding predictive Architecture)を採用した脳波基礎モデルである。
SPERAは、様々な頭皮電極のジオメトリーを符号化するために、レジェンド-ポリノミカル空間の先行を導入している。
さらに2つのコンポーネントが脳波に適応し、時間的・空間的注意を周期的全注意ブロックにインターリーブし、スペクトルビューで遅延類似性構造を整列するリレーショナルスペクトル正規化器である。
SPERAは106データセットにわたる29,048人の被験者から約8,000時間の脳波に事前訓練され、臨床、認知、BCIアプリケーションにまたがる9つの下流タスクの平均バランスの正確さを達成している。
さらにSPERAは、線形プローブ下での強いパラメータ効率と様々な記録条件における堅牢性を示し、多様な脳波分析のための汎用バックボーンとしての可能性を示している。
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) - 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) - DIVER-1 : Deep Integration of Vast Electrophysiological Recordings at Scale [12.825262947677437]
脳波やiEEGなどの電気生理学的シグナルは神経科学、脳-コンピュータインターフェース、臨床応用の中心である。
これまでに最大かつ多種多様なコーパスでトレーニングされた脳波およびiEEGファンデーションモデルであるDIVER-1を紹介する。
本稿では,この領域における最初の体系的スケーリング法則解析について述べる。
与えられたデータ量と計算量に対して、拡張エポックのためにトレーニングされたより小さなモデルは、短時間でトレーニングされたより大きなモデルよりも一貫して優れていた。
論文 参考訳（メタデータ） (2025-12-22T07:07:43Z) - EnECG: Efficient Ensemble Learning for Electrocardiogram Multi-task Foundation Model [46.84040404474695]
EnECGは、複数の特別な基礎モデルを統合するアンサンブルベースのフレームワークであり、それぞれECG解釈の異なる側面で優れている。
本稿では,基礎モデルの強力な表現力を維持しつつ,計算・メモリコストの削減に寄与することを示す。
このフレームワークは特徴抽出と予測性能を向上するだけでなく、実際の臨床応用に実用的な効率性も確保する。
論文 参考訳（メタデータ） (2025-11-28T07:22:33Z) - REVE: A Foundation Model for EEG -- Adapting to Any Setup with Large-Scale Pretraining on 25,000 Subjects [5.368295573908306]
REVE(Representation for EEG with Versatile Embeddings)は、様々な脳波信号にまたがる一般化を意図した事前訓練モデルである。
我々は25,000人の被験者にまたがる92のデータセットから6万時間以上の脳波データをプレトレーニングしました。
我々は、標準化された脳波研究を支援し、臨床神経科学の進歩を促進するためのコード、事前訓練された体重、チュートリアルをリリースする。
論文 参考訳（メタデータ） (2025-10-24T15:52:46Z) - CRIA: A Cross-View Interaction and Instance-Adapted Pre-training Framework for Generalizable EEG Representations [52.251569042852815]
CRIAは、可変長および可変チャネルコーディングを使用して、異なるデータセット間でEEGデータの統一表現を実現する適応フレームワークである。
このモデルでは、時間的、スペクトル的、空間的特徴を効果的に融合させるクロスアテンション機構を採用している。
テンプル大学脳波コーパスとCHB-MITデータセットによる実験結果から、CRIAは既存の方法よりも、同じ事前学習条件で優れていることが示された。
論文 参考訳（メタデータ） (2025-06-19T06:31:08Z) - 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) - Large Cognition Model: Towards Pretrained EEG Foundation Model [0.0]
多様な脳波データセットと下流タスクをまたいだ一般化を目的としたトランスフォーマーベース基盤モデルを提案する。
本研究は, 神経科学, パーソナライズドメディカル, およびBCI技術の進歩を促進するための, 事前学習型脳波基盤モデルの可能性を明らかにするものである。
論文 参考訳（メタデータ） (2025-02-11T04:28:10Z) - GEFM: Graph-Enhanced EEG Foundation Model [16.335330142000657]
ファンデーションモデルは、事前トレーニングを通じて大規模なラベルなしデータを活用することで、有望なソリューションを提供する。
本稿では,時間情報とチャネル間情報を統合した新しい脳波基盤モデルであるグラフ拡張脳波基礎モデル(GEFM)を提案する。
我々のアーキテクチャはグラフニューラルネットワーク(GNN)とマスク付きオートエンコーダを組み合わせることで,効率的な事前学習を実現する。
論文 参考訳（メタデータ） (2024-11-29T06:57:50Z)
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。