論文の概要: Spectral Considerations on Unsupervised Time-domain EEG Representation Learning with Deep Networks

• arxiv url: http://arxiv.org/abs/2610.16264v1
• Date: Mon, 12 Oct 2026 06:45:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-19 06:54:31.568567
• Title: Spectral Considerations on Unsupervised Time-domain EEG Representation Learning with Deep Networks
• Title（参考訳）: ディープネットワークを用いた教師なし時間領域脳波表現学習に関するスペクトル的考察
• Abstract要約: オートエンコーダはアルファの減速などのマクロスケールのシフトを捉えるが、大域的なマスキング効果により高い周波数に偏りが残ることを示す。 フィールドが大規模基盤レベルの特徴抽出器へと進むにつれて、簡単な時間領域再構築を超えて進むことが不可欠である、と我々は主張する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Electroencephalography (EEG) is a non-invasive, scalable source of quantitative biomarkers for the early diagnosis of brain disorders, and deep representation learning has become a powerful paradigm for extracting information-rich latent features from raw signals. However, neural networks tend to under-represent high-frequency information, a concern that is especially acute for EEG given its oscillatory nature and characteristic $1/f^χ$ power decay, which risks masking disease-relevant high-frequency signatures. In this study, we systematically investigate the spectral constraints of unsupervised time-domain feature extraction across three autoencoder architectures (LSTMVAE, VAEEG, Transformer) and a state-of-the-art EEG foundation model. Using synthetic experiments and empirical validation, we show that while autoencoders capture macro-scale shifts such as alpha slowing, they remain biased against higher frequencies due to a magnitude-driven masking effect induced by the Mean Squared Error loss under 1/f-decaying spectra. Increasing latent dimensionality mitigates this attenuation but sacrifices latent compactness and generative stability. We argue that, as the field advances toward large-scale foundation-level feature extractors, it is imperative to move beyond simple time-domain reconstruction and to integrate spectral-domain loss terms and gradient-balancing techniques, so that the subtle high-frequency transients critical for diagnosing complex brain disorders are preserved in the latent representation.
• Abstract（参考訳）: 脳波検査(EEG)は、脳疾患の早期診断のための定量的バイオマーカーの非侵襲的でスケーラブルな情報源であり、深部表現学習は生信号から情報豊富な潜伏性特徴を抽出するための強力なパラダイムとなっている。 しかし、ニューラルネットは、その振動特性と、疾患に関連する高周波シグネチャを隠蔽する1/f^*$のパワー崩壊を考慮すれば、特に脳波の急激な情報である高周波情報の表現が低い傾向にある。 本研究では,3つのオートエンコーダアーキテクチャ (LSTMVAE, VAEEG, Transformer) と最先端の脳波基礎モデルを用いて,教師なし時間領域特徴抽出のスペクトル制約を系統的に検討する。 合成実験と経験的検証により, オートエンコーダはアルファ減速などのマクロスケールシフトを捕捉するが, 1/f分解スペクトル下での平均二乗誤差損失によって引き起こされるマグニチュード駆動マスキング効果により, 高い周波数に偏りが保たれることを示した。 潜在次元の増大は、この減衰を緩和するが、潜在コンパクト性と生成安定性を犠牲にする。 この分野が大規模基盤レベルの特徴抽出器へと進むにつれて、単純な時間領域再構成を超えてスペクトル領域損失項と勾配バランス技術を統合することが不可欠であり、複雑な脳疾患の診断に不可欠な微妙な高周波過渡度が潜時表現に保存されることを論じる。

関連論文リスト

• Spectral Priors vs. Attention: Investigating the Utility of Attention Mechanisms in EEG-Based Diagnosis [0.802904964931021]
  特徴構造に対するスペクトル選択的アプローチがクラス分離性を高めることを示す。 一次脳波帯内の信号強度を分離することにより、高次元の生データを高価値スペクトル特徴に変換する。
  論文  参考訳（メタデータ） (2026-05-14T21:26:07Z)
• SpecMoE: Spectral Mixture-of-Experts Foundation Model for Cross-Species EEG Decoding [0.0]
  SpecMoEは、学習されたスペクトルゲーティングメカニズムによってガイドされるエキスパートフレームワークの混合である。 睡眠ステージング、感情認識、運動像分類、異常信号検出、薬物効果予測など、さまざまな脳波デコーディングタスクのセットで最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2026-03-17T16:20:14Z)
• Toward Diffusible High-Dimensional Latent Spaces: A Frequency Perspective [73.86108756585857]
  我々は、エンコーダ/デコーダの動作を分析し、デコーダが詳細を回復するために高周波遅延成分に強く依存していることを確認する。 本稿ではFreqWarmについて紹介する。FreqWarmはプラグアンドプレイの周波数ウォームアップカリキュラムで、高周波潜時信号の早期露出を増大させる。
  論文  参考訳（メタデータ） (2025-11-27T09:20:36Z)
• T2I-Diff: fMRI Signal Generation via Time-Frequency Image Transform and Classifier-Free Denoising Diffusion Models [10.21645911536505]
  本稿では,BOLD信号の時間周波数表現を利用するfMRI生成フレームワークであるT2I-Diffを紹介する。 ダウンストリームfMRIを用いた脳ネットワーク分類において,精度の向上と一般化を実証した。
  論文  参考訳（メタデータ） (2025-09-25T07:08:19Z)
• QualityFM: a Multimodal Physiological Signal Foundation Model with Self-Distillation for Signal Quality Challenges in Critically Ill Patients [3.744688073010934]
  Photoplethysmogram(PSG)とElectrocardiogram(ECG)は一般的にICU(ICU)と手術室(OR)に記録されている。 これまでに調査された手法は、限定的な一般化可能性、広範なラベル付きデータへの依存、およびクロスタスク転送性に悩まされている。 本稿では,これらの生理的信号に対する新しいマルチモーダル基礎モデルであるQualityFMを紹介する。
  論文  参考訳（メタデータ） (2025-09-08T10:20:56Z)
• High-Fidelity Functional Ultrasound Reconstruction via A Visual Auto-Regressive Framework [58.07923338080814]
  機能的神経側頭葉イメージングはマッピングに例外的な解像度を提供する。 しかし、その実践的応用は重大な課題によって妨げられている。 データ不足、倫理的考慮、信号劣化などが含まれる。
  論文  参考訳（メタデータ） (2025-05-23T15:27:17Z)
• StealthDiffusion: Towards Evading Diffusion Forensic Detection through Diffusion Model [62.25424831998405]
  StealthDiffusionは、AI生成した画像を高品質で受け入れがたい敵の例に修正するフレームワークである。 ホワイトボックスとブラックボックスの設定の両方で有効であり、AI生成した画像を高品質な敵の偽造に変換する。
  論文  参考訳（メタデータ） (2024-08-11T01:22:29Z)
• Detecting Anomalies in Dynamic Graphs via Memory enhanced Normality [39.476378833827184]
  動的グラフにおける異常検出は、グラフ構造と属性の時間的進化によって大きな課題となる。 時空間記憶強調グラフオートエンコーダ(STRIPE)について紹介する。 STRIPEは、AUCスコアが5.8%改善し、トレーニング時間が4.62倍速く、既存の手法よりも大幅に優れている。
  論文  参考訳（メタデータ） (2024-03-14T02:26:10Z)
• Deep Metric Learning with Locality Sensitive Angular Loss for Self-Correcting Source Separation of Neural Spiking Signals [77.34726150561087]
  本稿では, 深層学習に基づく手法を提案し, 自動掃除とロバスト分離フィルタの必要性に対処する。 本手法は, ソース分離した高密度表面筋電図記録に基づいて, 人工的に劣化したラベルセットを用いて検証する。 このアプローチにより、ニューラルネットワークは、信号のラベル付けの不完全な方法を使用して、神経生理学的時系列を正確に復号することができる。
  論文  参考訳（メタデータ） (2021-10-13T21:51:56Z)
• Spatial-Phase Shallow Learning: Rethinking Face Forgery Detection in Frequency Domain [88.7339322596758]
  本論文では,空間画像と位相スペクトルを組み合わせ,顔の偽造のアップサンプリング成果をキャプチャするSPSL(Spatial-Phase Shallow Learning)法を提案する。 SPSLは、クロスデータセット評価における最先端性能とマルチクラス分類を実現し、単一データセット評価において同等の結果を得ることができる。
  論文  参考訳（メタデータ） (2021-03-02T16:45:08Z)

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。