論文の概要: EEG-Captioner: Grounding EEG-to-Language Generation in Fundamental Signal Properties

• arxiv url: http://arxiv.org/abs/2610.30995v1
• Date: Thu, 22 Oct 2026 09:37:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-24 02:08:44.306176
• Title: EEG-Captioner: Grounding EEG-to-Language Generation in Fundamental Signal Properties
• Title（参考訳）: EEGキャピタ:基礎信号特性における脳波から言語への基底生成
• Abstract要約: 我々は,信号レベル質問応答(QA)ペアを付加した160,781セグメントのEEG言語データセットを構築した。 信号レベルQAとキャプション監督の両方で訓練されたEEG-to-LanguageフレームワークであるEEG-Captionerを提案する。
• 参考スコア（独自算出の注目度）: 57.3201784919623
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Electroencephalography (EEG)-to-language models offer a promising approach for translating complex neural signals into human-readable descriptions. However, generating plausible language does not necessarily demonstrate that a model has learned to interpret the underlying EEG signal. A direct way to assess such interpretation is to probe objectively measurable properties of the signal itself. We therefore construct an EEG-language dataset of 160,781 segments annotated with signal-level question answering (QA) pairs, where each question targets one of five property families and requires a quantitative comparison involving spectral, spatial, temporal, or lateral signal properties. Each segment is also paired with a feature-grounded EEG caption. We further propose a Dual-Domain EEG Encoder that jointly models temporal waveforms and spectral-spatial representations, and introduce EEG-Captioner, a unified EEG-to-language framework trained with both signal-level QA and EEG caption supervision. Experiments show that the proposed encoder achieves the highest overall macro-averaged balanced accuracy (Macro-BA) among the compared EEG encoders, while EEG-Captioner achieves a Macro-BA of 88.81% on signal-level QA and improves caption factual consistency from 82.06% to 83.46% over caption-only language adaptation, demonstrating the complementary benefits of signal-level QA and caption supervision.
• Abstract（参考訳）: 脳波(EEG)-言語モデルでは、複雑な神経信号を人間の可読性記述に翻訳するための有望なアプローチを提供する。 しかし、もっともらしい言語を生成することは、モデルが基礎となる脳波信号を解釈したことを必ずしも示さない。 このような解釈を評価する直接的な方法は、信号自体の客観的に測定可能な特性を探索することである。 そこで我々は,信号レベル質問応答(QA)ペアを付加した160,781セグメントのEEG言語データセットを構築した。 それぞれのセグメントは、機能的なEEGキャプションとペアリングされる。 さらに、時間波形とスペクトル空間表現を協調的にモデル化するデュアルドメイン脳波エンコーダを提案し、信号レベルQAとEEGカウンセレーションの両方でトレーニングされた統合脳波対言語フレームワークであるEEG-Captionerを導入する。 一方、EEG-Captionerは、信号レベルQAにおいて88.81%のマクロBAを実現し、キャプションのみの言語適応よりも82.06%から83.46%の事実整合性を向上し、信号レベルQAとキャプション監督の相補的な利点を示す。

関連論文リスト

• EEG-PRIME: Prototype-Aligned Representation Learning with Multi-Level Conditioning for EEG Decoding [26.89647605331463]
  EEG-PRIMEは、クロスデータセットマルチタスクデコーディングのための2段階のEEG基盤モデルである。 命令チューニングの間、EEG-PRIMEはタスクセマンティック、データセット固有、主題不変条件を取り入れている。 実験では、クロスオブジェクト設定下での最先端のベースラインと以前のEEGファンデーションモデルに対して一貫した改善が示されている。
  論文  参考訳（メタデータ） (2026-08-13T10:35:51Z)
• BrainBench: Benchmarking Large Language Models for Comprehensive EEG Understanding [29.151563019741545]
  包括的で命令条件のEEG理解のための統合ベンチマークであるベンチマークネームを導入する。 4つのサブセットで構成されており、-Foundational Analysis、Sleep Assessment、Neurocognitive Assessment、Physological Integrationである。 結果はモデル、サブセット、難易度、実行パラダイムによって大きく異なり、EEGの能力がモデルとその運用に依存していることを示している。
  論文  参考訳（メタデータ） (2026-08-04T19:07:09Z)
• E^2-LLM: Bridging Neural Signals and Interpretable Affective Analysis [54.763420895859035]
  脳波からの感情分析のための最初のMLLMフレームワークであるELLM2-EEG-to-Emotion Large Language Modelを提案する。 ELLMは学習可能なプロジェクション層を通じて、トレーニング済みのEEGエンコーダとQベースのLLMを統合し、マルチステージのトレーニングパイプラインを使用する。 7つの感情カテゴリーにまたがるデータセット実験により, ELLM2-EEG-to-Emotion Large Language Modelは感情分類において優れた性能を発揮することが示された。
  論文  参考訳（メタデータ） (2026-01-11T13:21:20Z)
• ELASTIQ: EEG-Language Alignment with Semantic Task Instruction and Querying [29.301155351226765]
  本稿では,セマンティックタスク命令とクエリによるEEG-Language Alignmentの基礎モデルであるELASTIQを提案する。 ELASTIQは、タスク認識のセマンティックガイダンスを統合し、構造化され言語的に整合したEEG埋め込みを生成する。 運動画像,感情認識,定常的視覚誘発電位,隠蔽音声,医療タスクを対象とする20のデータセット上でELASTIQを評価した。
  論文  参考訳（メタデータ） (2025-09-29T05:29:12Z)
• WaveMind: Towards a Conversational EEG Foundation Model Aligned to Textual and Visual Modalities [55.00677513249723]
  脳波信号は認知過程と固有の神経状態の両方を同時に符号化する。 我々は、EEG信号とその対応するモダリティを統一意味空間にマッピングし、一般化された解釈を実現する。 結果として得られたモデルは、柔軟でオープンな会話をサポートしながら、堅牢な分類精度を示す。
  論文  参考訳（メタデータ） (2025-09-26T06:21:51Z)
• Towards Linguistic Neural Representation Learning and Sentence Retrieval from Electroencephalogram Recordings [27.418738450536047]
  脳波信号を文に変換するための2ステップパイプラインを提案する。 まず,自然読解中に記録された脳波データから単語レベルの意味情報を学習できることを確認する。 脳波エンコーダからの予測に基づいて文章を検索するために,学習不要な検索手法を用いる。
  論文  参考訳（メタデータ） (2024-08-08T03:40:25Z)
• Enhancing EEG-to-Text Decoding through Transferable Representations from Pre-trained Contrastive EEG-Text Masked Autoencoder [69.7813498468116]
  コントラスト型脳波テキストマスケード自動エンコーダ(CET-MAE)を提案する。 また、E2T-PTR(Pretrained Transferable Representationsを用いたEEG-to-Text decoding)と呼ばれるフレームワークを開発し、EEGシーケンスからテキストをデコードする。
  論文  参考訳（メタデータ） (2024-02-27T11:45:21Z)

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。