論文の概要: HyBRA-EEG: Hyperbolic Global-Local Brain-Region Aggregation for Self-Supervised EEG Representation Learning

• arxiv url: http://arxiv.org/abs/2610.16589v1
• Date: Mon, 12 Oct 2026 11:10:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-18 22:23:35.986592
• Title: HyBRA-EEG: Hyperbolic Global-Local Brain-Region Aggregation for Self-Supervised EEG Representation Learning
• Title（参考訳）: HyBRA-EEG:自己監督型脳波表現学習のための双曲型グローバルローカル脳波集約
• Abstract要約: ハイパーボリックなグローバルな脳-局所集合に基づく自己教師型フレームワークHyBRAを提案する。 HyBRAは、電極座標、領域先行、特徴に依存した双曲距離を組み合わせることで、異種チャネルの観測を固定された局所トークン空間にマッピングする。 制御された6倍評価の下で、HyBRAはCSBrainとバランスの取れた精度でマッチングし、AUROCを1.84ポイント、AUPRCを5.23ポイント改善し、96.8%のパラメータを使用する。
• 参考スコア（独自算出の注目度）: 14.96118413048116
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Electroencephalography (EEG) representation learning is challenged by noisy signals, inter-subject variability, and heterogeneous electrode montages in different datasets and recording settings. Recent self-supervised EEG pretraining methods improve transferability by converting heterogeneous recordings into unified token or sequence representations, but channel-aware designs may still encode montage- or dataset-specific regularities. We propose HyBRA, a self-supervised framework based on hyperbolic global-local brain-region aggregation. HyBRA maps heterogeneous channel observations into a fixed regional token space by combining electrode coordinates, region priors, and feature-dependent hyperbolic distances. A channel-evidence injection branch preserves fine-grained discriminative cues during aggregation. The resulting tokens are processed by a Region-Time Transformer and pretrained with masked reconstruction of latent features and region-level signals. HyBRA outperforms the compared methods in average balanced accuracy on six benchmark datasets. Under a controlled six-fold evaluation on OpenBMI-MI, HyBRA matches CSBrain in balanced accuracy, improves AUROC by 1.84 percentage points and AUPRC by 5.23 percentage points, and uses 96.8\% fewer parameters. Matched comparisons on TUAB and TUEV show higher balanced accuracy for hyperbolic matching than for Euclidean distance or cosine similarity.
• Abstract（参考訳）: 脳波(EEG)表現学習は、ノイズ信号、物体間変動性、および異なるデータセットおよび記録設定における異種電極モンタージュによって挑戦される。 最近の自己監督型EEG事前学習法は、異種記録を統一トークンやシーケンス表現に変換することによって転送可能性を改善するが、チャネル認識設計はモンタージュやデータセット固有の規則を符号化することもある。 ハイパーボリックなグローバルな脳-局所集合に基づく自己教師型フレームワークHyBRAを提案する。 HyBRAは、電極座標、領域先行、特徴に依存した双曲距離を組み合わせることで、異種チャネルの観測を固定された局所トークン空間にマッピングする。 チャネルエビデンス注入枝は、凝集中にきめ細かな識別的手がかりを保持する。 得られたトークンは、リージョン・タイム・トランスフォーマーによって処理され、潜在特徴と地域レベルの信号のマスク付き再構成で事前訓練される。 HyBRAは、比較した手法を6つのベンチマークデータセットの平均バランス精度で上回る。 OpenBMI-MIの6倍の評価の下で、HyBRAはCSBrainとバランスの取れた精度でマッチし、AUROCを1.84ポイント、AUPRCを5.23ポイント改善し、96.8\%のパラメータを使用する。 TUABとTUEVのマッチング比較では、ユークリッド距離やコサイン類似度よりも、双曲マッチングの平衡精度が高かった。

関連論文リスト

• EMGBlend: Heterogeneity-Aware Self-Supervised Pretraining for Gesture and Force Decoding [11.953698746967879]
  本稿では,EMGデータセットを事前学習するための自己教師型フレームワークEMGBlendを紹介する。 共有チャネルパッチとジオメトリ対応のアテンションを組み合わせることで、各レコードがサポートする周波数帯域にスペクトルターゲットを制限し、データソース間の露出をバランスさせる。 ジェスチャー認識,連続力回帰,接触分類で評価した。
  論文  参考訳（メタデータ） (2026-09-22T02:24:56Z)
• Rethinking Attention Locality in Spiking Transformers [50.00501275379363]
  スパイキングトランスフォーマーは、スパイク駆動計算による効率的なビジュアル処理のための有望なパラダイムを提供する。 彼らのSSA(Softmax-free Spiking Self-Attention)は、空間的に局所化されたトークン相互作用を確立するのに苦労している。 境界連続経路(SCLA-BCP)を用いた空間連続的局所的注意法を提案する。 当社のアプローチでは、2017年のCOCOではmAP@50が9.50%、ADE20KではmIoUが3.42%改善しています。
  論文  参考訳（メタデータ） (2026-08-09T07:36:17Z)
• Generative Augmentation for EEG Motor Imagery Classification: A Class-Conditional VAE with Cycle-Consistent Decoder Refinement [2.3270574907955286]
  生成モデルが有用な人工運動画像(MI)の脳波検査(EEG)に有効かどうかを検討する。 本研究は,Zhouモータ画像データセットに潜在型分類器を組み込んだクラス条件変分オートエンコーダ(CVAE)を訓練する。 結果は、独立した拡張ドロー、ランダムな種(ユーザ内)、あるいはout-one-subject-out フォルダに集約される。
  論文  参考訳（メタデータ） (2026-07-22T12:16:16Z)
• Coordinate-Queryable Neural Field Reconstruction for EEG Spatial Super-Resolution with Unseen-Electrode Generation [11.493595405428815]
  実展開における脳波空間超解像(EEGSR)は、ランダムチャネルの欠如、不安定な電極品質、不適切な接触やデバイス変動に起因する可視チャネルパターンの変化により、課題となる。 既存のEEGSR手法の多くは、事前に定義された入出力レイアウトの下で、固定された低-高チャネルマッピングを学習する。 我々は脳波を部分的に観察された支援チャネルから共有条件頭皮領域の学習として再構成する。
  論文  参考訳（メタデータ） (2026-06-12T03:48:57Z)
• 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)
• PRISM: Exploring Heterogeneous Pretrained EEG Foundation Model Transfer to Clinical Differential Diagnosis [5.616707402426108]
  PRISMは2つの軸に沿ってアブレーションされたマスク付きオートエンコーダである。 狭義のEU/USコーパスを,多施設の南アジア臨床記録を付加した地理的に多様なプールと比較した。 PRISMはタスクの大部分でREVE(92データセット、6万時間以上)にマッチする。
  論文  参考訳（メタデータ） (2026-02-28T19:50:28Z)
• A Swap-Adversarial Framework for Improving Domain Generalization in Electroencephalography-Based Parkinson's Disease Prediction [5.527305245660595]
  パーキンソン病予測のための最初の再現可能なベンチマークである新しいデータセットを導入する。 6-ヒドロキシドパミン(6-OHDA)誘発ラットの長期ECoG記録から構築される。 本研究では,高オブジェクト間変動と高次元低サンプルサイズ問題を緩和するSwarp-Adversarial Framework(SAF)を提案する。
  論文  参考訳（メタデータ） (2026-02-11T04:52:46Z)
• Physics-informed and Unsupervised Riemannian Domain Adaptation for Machine Learning on Heterogeneous EEG Datasets [53.367212596352324]
  脳波信号物理を利用した教師なし手法を提案する。 脳波チャンネルをフィールド、ソースフリーなドメイン適応を用いて固定位置にマッピングする。 提案手法は脳-コンピュータインタフェース(BCI)タスクおよび潜在的なバイオマーカー応用におけるロバストな性能を示す。
  論文  参考訳（メタデータ） (2024-03-07T16:17:33Z)
• Breast Ultrasound Tumor Classification Using a Hybrid Multitask CNN-Transformer Network [63.845552349914186]
  胸部超音波(BUS)画像分類において,グローバルな文脈情報の収集が重要な役割を担っている。 ビジョントランスフォーマーは、グローバルなコンテキスト情報をキャプチャする能力が改善されているが、トークン化操作によって局所的なイメージパターンを歪めてしまう可能性がある。 本研究では,BUS腫瘍分類とセグメンテーションを行うハイブリッドマルチタスクディープニューラルネットワークであるHybrid-MT-ESTANを提案する。
  論文  参考訳（メタデータ） (2023-08-04T01:19:32Z)
• Multiple Time Series Fusion Based on LSTM An Application to CAP A Phase Classification Using EEG [56.155331323304]
  本研究では,深層学習に基づく脳波チャンネルの特徴レベル融合を行う。 チャネル選択,融合,分類手順を2つの最適化アルゴリズムで最適化した。
  論文  参考訳（メタデータ） (2021-12-18T14:17:49Z)

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。