論文の概要: Band2Net: Frequency-to-Network Transport Distillation for fMRI-Privileged, EEG-Only Session-Condition Decoding

• arxiv url: http://arxiv.org/abs/2611.01548v1
• Date: Sun, 01 Nov 2026 04:20:15 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-11-03 19:56:51.228251
• Title: Band2Net: Frequency-to-Network Transport Distillation for fMRI-Privileged, EEG-Only Session-Condition Decoding
• Title（参考訳）: Band2Net:fMRI-Privileged, EEG-Only Session-Condition Decodingのための周波数-ネットワーク間輸送蒸留
• Abstract要約: Band2Netは、EEGを5つの周波数固有の接続グラフにエンコードし、fMRIを凍結教師から7つの標準的なネットワークトークンにエンコードする。 単一の共有プランよりも差はあるが、KL-relaxedプランとラベルのないネットワーク記述子は未解決のままである。
• 参考スコア（独自算出の注目度）: 9.811723823796768
• License:
• Abstract: Functional MRI resolves large-scale brain networks but is expensive and stationary, whereas EEG is portable but poorly localised. We treat fMRI as privileged information, available during training and absent at deployment, with EEG and fMRI acquired from the same participants under matched conditions but not simultaneously. Band2Net encodes EEG into five frequency-specific connectivity graphs and fMRI into seven canonical network tokens from a frozen teacher, and solves a balanced entropic transport problem between the two token sets that gives each EEG band its own fMRI target. In subject-grouped cross-validation on the PsiConnect psilocybin data set, Band2Net reaches 0.801 ROC-AUC for EEG-only session-condition decoding, 5.0 AUC points (95% CI 1.8-8.2) above an EEG-only student. Although its margins over a single shared plan, a KL-relaxed plan and label-free network descriptors remain unresolved, secondary comparisons favour band-specific transported targets over logit, global-feature, contrastive and pooled-target distillation, though not after Holm correction.
• Abstract（参考訳）: 機能的MRIは大規模な脳ネットワークを分解するが、高価で定常的である。 脳波とfMRIは一致した条件下で同じ被験者から取得されるが同時には得られない。 Band2Netは、EEGを5つの周波数固有の接続グラフにエンコードし、fMRIを凍結教師から7つの標準的なネットワークトークンにエンコードし、各EEGバンドにfMRIターゲットを与える2つのトークンセット間のバランスの取れたエントロピー輸送問題を解決する。 PsiConnect psilocybinデータセットの主題群によるクロスバリデーションでは、Band2NetはEEGのみのセッション条件デコードで0.801 ROC-AUC、EEGのみの学生で5.0 AUCポイント(95% CI 1.8-8.2)に達する。 単一の共有計画に対するマージンは、KL-relaxed計画とラベルなしネットワーク記述子は未解決のままであるが、二次比較では、ホルム補正後も、ロジット、グローバル・フィーチャー、コントラスト、プールド・ターゲットの蒸留よりも、バンド固有の輸送目標が好まれている。

関連論文リスト

• EEG-HealthLLM: Hierarchical Adaptation of Large Language Models for Unified Heterogeneous EEG Health Assessment [111.84148837000926]
  既存のEEGモデルは通常、個々のタスクのために開発される。 EEG-HealthLLMは異種脳波の健康評価のための統合されたフレームワークである。 EEG-HealthLLMは平均平衡精度(BAC)が69.58%に達する。
  論文  参考訳（メタデータ） (2026-11-01T07:01:30Z)
• ZeroMAG: Zero-Shot Multimodal Adapter Generation for Plug-and-Play EEG Foundation Models [45.0057349946008]
  ゼロショットマルチモーダルアダプタ生成フレームワークであるZeroMAGを紹介する。 未ラベルのターゲット記録を使用して凍結したEEGエンコーダと予測ヘッドを拡張する。 EEGのみの推測では7.22ポイント、直接の重み回帰では4.89ポイント、バランスの取れた精度は改善される。
  論文  参考訳（メタデータ） (2026-10-02T16:29:42Z)
• FRIST: FMRI Representation Informed Shared-space Training Improves EEG-only Individual-Finger BCI Decoding [10.01205162586672]
  本稿では2段階のEEGデコーディングフレームワークであるFRIST(Representation-Informed Shared-Space Training)を紹介する。 FRISTは脳波-fMRI同時記録からfMRIによるスペクトル投影を学習する。 その後、fMRIから派生したクラス幾何学を用いて脳波予測の残差を導出する。
  論文  参考訳（メタデータ） (2026-09-11T00:00:08Z)
• Physics-Informed Deep Learning for False Ventricular Tachycardia Alarm Reduction in the ICU [44.313512671851306]
  軽度心室頻拍(VT)アラームは集中治療単位のアラーム疲労の原因となる。 本稿では,1D SE-ResNetと ICU-realistic Data Augmentation を組み合わせたディープラーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-09-08T16:33:07Z)
• GEM: Empowering MLLM for Grounded ECG Understanding with Time Series and Images [44.50428701650495]
  GEMは,第1回MLLM統合ECG時系列,第12回リードECG画像,地上および臨床のECG解釈のためのテキストである。 GEMは、3つのコアイノベーションを通じて機能的解析、エビデンス駆動推論、および臨床医のような診断プロセスを可能にする。 基礎心電図理解におけるMLLMの能力を評価するために,臨床動機付けのベンチマークであるグラウンドドECGタスクを提案する。
  論文  参考訳（メタデータ） (2025-03-08T05:48:53Z)
• SMILE-UHURA Challenge -- Small Vessel Segmentation at Mesoscopic Scale from Ultra-High Resolution 7T Magnetic Resonance Angiograms [60.35639972035727]
  公開されている注釈付きデータセットの欠如は、堅牢で機械学習駆動のセグメンテーションアルゴリズムの開発を妨げている。 SMILE-UHURAチャレンジは、7T MRIで取得したTime-of-Flightアンジオグラフィーの注釈付きデータセットを提供することで、公開されている注釈付きデータセットのギャップに対処する。 Diceスコアは、それぞれのデータセットで0.838 $pm$0.066と0.716 $pm$ 0.125まで到達し、平均パフォーマンスは0.804 $pm$ 0.15までになった。
  論文  参考訳（メタデータ） (2024-11-14T17:06:00Z)
• Learned Local Attention Maps for Synthesising Vessel Segmentations [43.314353195417326]
  我々は、T2 MRIのみから、Willis(CoW)円の主大脳動脈の分節を合成するためのエンコーダ・デコーダモデルを提案する。 これは、セグメンテーションラベルを拡張することによって生成された学習されたローカルアテンションマップを使用し、ネットワークはCoWの合成に関連するT2 MRIからのみ情報を抽出する。
  論文  参考訳（メタデータ） (2023-08-24T15:32:27Z)
• SE-ECGNet: A Multi-scale Deep Residual Network with Squeeze-and-Excitation Module for ECG Signal Classification [6.124438924401066]
  ECG信号分類タスクのためのマルチスケール深部残差ネットワークを開発しています。 我々は,マルチリード信号を2次元行列として扱うことを提案する。 提案モデルは,mit-bihデータセットでは99.2%,alibabaデータセットでは89.4%のf1-scoreを実現する。
  論文  参考訳（メタデータ） (2020-12-10T08:37:44Z)
• Atrial Fibrillation Detection and ECG Classification based on CNN-BiLSTM [3.1372269816123994]
  心電図(ECG)信号から心疾患を視覚的に検出することは困難である。 自動心電図信号検出システムを実装することにより,不整脈の診断精度を向上させることができる。
  論文  参考訳（メタデータ） (2020-11-12T04:20:56Z)

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。