論文の概要: BrainCodes: A Lightweight EEG Foundation Model over Discrete Neural Codes

• arxiv url: http://arxiv.org/abs/2610.29320v1
• Date: Wed, 21 Oct 2026 07:22:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-23 00:40:06.270798
• Title: BrainCodes: A Lightweight EEG Foundation Model over Discrete Neural Codes
• Title（参考訳）: BrainCodes: 離散ニューラルコードよりも軽量なEEGファンデーションモデル
• Abstract要約: BrainCodesは、1000人以上の参加者から800時間以上録音された自己教師付き学習を通じて事前訓練された、軽量な基礎モデルである。 私たちのモデルは、様々な神経生理学的モニタリングタスクにまたがって、技術の状態を一致または超えます。 BrainCodesは、同等のアーキテクチャよりもトレーニング可能なパラメータを最大97%削減しながら、低リソースのウェアラブルデバイスに効果的に転送する。
• 参考スコア（独自算出の注目度）: 8.615297718942385
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent electroencephalography (EEG) foundation models increasingly emphasize model scale, potentially limiting their deployment on resource-constrained devices and in everyday environments. We argue that transferable EEG features can instead be learned with a compact architecture and introduce BrainCodes, a lightweight foundation model pretrained through self-supervised learning on more than 800 hours of recordings from over 1,000 participants. Our architecture combines a quantization-based neural tokenizer with a spatiotemporal encoder that supports arbitrary electrode configurations. The pretraining objective explicitly encourages representations that capture spatial connectivity through channel positional encoding, and sensitivity to narrowband neural oscillations through an auxiliary training objective. Our model matches or surpasses the state of the art across diverse neurophysiological monitoring tasks, including sleep staging, attention assessment, and cognitive load estimation. BrainCodes transfers effectively to low-resource wearable devices while using up to 97% fewer trainable parameters than comparable architectures. Beyond predictive accuracy, our evaluation framework characterizes the geometry and invariances of learned EEG representations across measurable spatial, temporal, and spectral signal properties.
• Abstract（参考訳）: 最近の脳波基礎モデルでは、モデルスケールが強調され、リソース制約されたデバイスや日常生活環境への展開が制限される可能性がある。 転送可能なEEG機能は、コンパクトなアーキテクチャで学ぶことができ、1000人以上の参加者から800時間以上の録音を自己教師付き学習を通じて事前訓練された軽量基盤モデルであるBrainCodesを導入することができる、と私たちは主張する。 我々のアーキテクチャは、量子化に基づくニューラルトークン化器と、任意の電極構成をサポートする時空間エンコーダを組み合わせる。 プレトレーニング対象は、チャネル位置符号化による空間接続を捕捉する表現を明示的に奨励し、補助的訓練目的による狭帯域神経振動に対する感受性を高める。 我々のモデルは、睡眠ステージング、注意評価、認知的負荷推定など、様々な神経生理学的モニタリングタスクにまたがる最先端の課題に適合または超えている。 BrainCodesは、同等のアーキテクチャよりもトレーニング可能なパラメータを最大97%削減しながら、低リソースのウェアラブルデバイスに効果的に転送する。 評価フレームワークは,予測精度以外にも,測定可能な空間的,時間的,スペクトル的信号特性にまたがる学習された脳波表現の幾何学的および不変性を特徴付ける。

関連論文リスト

• iBrain: A Unified Foundation Model Reading the Brain from Surface to Spikes [3.2517081185249075]
  iEEGとスパイク活動から共同で学習する統合基盤モデルiBrainを紹介する。 マスク信号再構成とチャンネルビューアライメントを用いて,iBrainを7000時間以上にわたってトレーニングした。 iBrainは、シングルシグナル事前トレーニングベースラインを一貫して上回り、複数のベンチマーク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） (2026-09-07T02:56:42Z)
• NeuroPath: Practically Adopting Motor Imagery Decoding through EEG Signals [9.371114889778058]
  運動画像(英: Motor Imagery、MI)は、身体の動きを身体の動きなしで想像する脳-コンピュータインタフェースのパラダイムである。 既存のソリューションのデプロイは難しいままです。 我々は、堅牢なMIデコーディングのためのニューラルネットワークであるNeuroPathを紹介する。
  論文  参考訳（メタデータ） (2026-03-30T09:45:02Z)
• BrainRVQ: A High-Fidelity EEG Foundation Model via Dual-Domain Residual Quantization and Hierarchical Autoregression [26.114257185901838]
  臨床脳波データの大規模コーパスを事前学習した汎用脳波基礎モデルであるBrainRVQを提案する。 BrainRVQはDual-Domain Residual Vector Quantization (DD-RVQ)トークンを特徴としている。
  論文  参考訳（メタデータ） (2026-02-18T23:30:36Z)
• NeuroRVQ: Multi-Scale EEG Tokenization for Generative Large Brainwave Models [66.91449452840318]
  我々は、コードブックベースのトークン化装置を中心としたスケーラブルな大脳波モデル(LBM)であるNeuroRVQを紹介する。 我々のトークンライザは, (i) フル周波数のニューラルスペクトルを捕捉するマルチスケール特徴抽出モジュール, (ii) 高精細符号化のための階層的残留ベクトル量子化(RVQ)コードブック, (iii) 効率的なトレーニングのためのEEG信号位相および振幅認識損失関数を統合する。 実験の結果,NeuroRVQは再建誤差を低くし,様々な下流タスクにおいて既存のLBMよりも優れることがわかった。
  論文  参考訳（メタデータ） (2025-10-15T01:26:52Z)
• 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)
• CEReBrO: Compact Encoder for Representations of Brain Oscillations Using Efficient Alternating Attention [46.47343031985037]
  交互注意(CEReBrO)を用いた脳振動の表現のための圧縮法について紹介する。 トークン化方式は、チャネルごとのパッチで脳波信号を表現します。 本研究では,チャネル内時間的ダイナミックスとチャネル間空間的相関を共同でモデル化し,通常の自己アテンションに比べて6倍少ないメモリで2倍の速度向上を実現するための注意機構を提案する。
  論文  参考訳（メタデータ） (2025-01-18T21:44:38Z)
• An Empirical Evaluation of Neural and Neuro-symbolic Approaches to Real-time Multimodal Complex Event Detection [5.803352384948482]
  従来のエンドツーエンドのニューラルネットワークは、コンテキストサイズや推論能力に制限があるため、長期にわたるイベントに苦労する。 人間の知識を活用するニューラルモデルとシンボリックモデルを統合するニューロシンボリック手法の最近の進歩は、少ないデータでパフォーマンスを向上させることを約束している。 本研究は,複合事象検出(CED)におけるこれらのアプローチの有効性のギャップを解消するものである。 マルチモーダルCEDタスクにおけるニューラル・ニューラル・シンボリック・アーキテクチャの性能について検討し,IMUおよび音響データストリームを分析してCEパターンを認識する。
  論文  参考訳（メタデータ） (2024-02-17T23:34:50Z)

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。