論文の概要: Quantifying Trait-State Hierarchy in EEG Foundation Model and Signal Processing Embeddings

• arxiv url: http://arxiv.org/abs/2611.05652v1
• Date: Tue, 03 Nov 2026 21:37:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-06 03:25:57.855362
• Title: Quantifying Trait-State Hierarchy in EEG Foundation Model and Signal Processing Embeddings
• Title（参考訳）: EEGファンデーションモデルと信号処理埋め込みにおけるトランジット状態階層の定量化
• Abstract要約: 異なる脳波モデリング機能がどのように状態と特性の特徴をエンコードするかについては、限定的な理解がある。 Brain-Computer Interfaceデータセットの試行において、階層化メトリックとkNN純度を用いて、EEG埋め込みによってキャプチャされた状態レベルと特性レベルの特徴を定量化する。
• 参考スコア（独自算出の注目度）: 37.318268963060746
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Electroencephalography (EEG) measures brain activity through recording electrical potentials of the scalp. EEG recordings capture two distinct sets of characteristics in the signal: (1) \emph{Traits} -- information that remains relatively constant over the course of a recording session, such as subject identity, age, and sex; (2) \emph{States} -- signatures that encode responses to external stimuli, including visual, auditory, and motor information. There is limited understanding of how different EEG modeling features (signal processing and foundation models) encode state and trait characteristics. In this work, we quantify state- and trait-level features captured by EEG embeddings using a hierarchy metric and kNN purity on Brain-Computer Interface dataset trials, and find that a majority of EEG features form a macro-trait hierarchy (embeddings form trait-level clusters with micro-states within). Our linear probe results indicate that this hierarchy structure leads to suboptimal state distinguishability, negatively impacting BCI performance of EEG foundation models. To mitigate this, we explore normalization techniques that reduce trait-specific information in embeddings and provide a $\sim$ 10\% improvement in balanced accuracy for state classification. Additionally, we observe that when fine-tuning models for downstream state decoding, embedding spaces transform from macro-trait to macro-state hierarchies, which in turn lead to better state decoding.
• Abstract（参考訳）: 脳波(EEG)は頭皮の電位を記録することによって脳活動を測定する。 EEG記録は、(1) \emph{Traits} -- 被写体、年齢、性別など、録音セッション中に比較的一定である情報、(2) \emph{States} -- 視覚、聴覚、運動情報を含む外部刺激に対する応答をエンコードするシグネチャである。 脳波モデリングの特徴(信号処理と基礎モデル)がどのように状態と特性の特徴を符号化するかについては、限定的な理解がある。 本研究では、ブレイン・コンピュータ・インタフェース・データセットの試行において、階層化メトリックとkNN純度を用いて、EEG埋め込みによってキャプチャされた状態レベルと特性レベルの特徴を定量化し、EEG機能の大部分がマクロトレート階層(内部にマイクロステートを持つ特性レベルクラスタを形成する)を形成することを発見した。 脳波基礎モデルのBCI性能に悪影響を及ぼし, この階層構造が準最適状態識別性をもたらすことを示す。 これを軽減するために,埋め込みにおける特性特化情報を削減する正規化手法を検討し,状態分類のバランス精度を$\sim$10\%向上させる。 さらに、下流状態復号化のための微調整モデルでは、埋め込み空間がマクロトレートからマクロ状態階層へ変換され、結果として状態復号性が向上することを示した。

関連論文リスト

• EEG-Captioner: Grounding EEG-to-Language Generation in Fundamental Signal Properties [57.3201784919623]
  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。
  論文  参考訳（メタデータ） (2026-10-22T09:37:53Z)
• 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)
• OmniEEG-Bench: A Standardized Evaluation Benchmark for EEG Foundation Models [22.964421663748755]
  我々は,脳波基礎モデル(FM)のための統一ベンチマークとダウンストリームタスクロードマップであるOmniEEG-Benchを紹介する。 脳波FMの評価を、(i)信号信頼性、(ii)生体計測と疾患、(iii)意識と状態、(iv)認知と感情、(v)自然主義的刺激復号、(vi)運動と相互作用の6つのタスクファミリーに分類する。 代表的なEEGファンデーションモデル10をベンチマークし、さまざまな評価設定をカバーするリーダーボードを報告します。
  論文  参考訳（メタデータ） (2026-05-30T17:20:04Z)
• NeurIPT: Foundation Model for Neural Interfaces [13.659630322026095]
  NeurIPTは、トレーニング済みトランスフォーマーを備えた多様なEEGベースのニューラルインタフェース向けに開発された基礎モデルである。 我々はAAMP(Amplitude-Aware Masked Pretraining)を導入し、局所的以外の様々な信号強度にわたる堅牢な表現を学習する。 また、局所脳の特徴を効果的に活用するために、微調整中にインターローブプール(IILP)を開発する。
  論文  参考訳（メタデータ） (2025-10-18T15:45:00Z)
• Synthetic EEG Generation using Diffusion Models for Motor Imagery Tasks [0.0]
  本研究では,運動画像脳のタスクに関連する合成脳波信号を生成する手法を提案する。 このアプローチでは、実際のEEGデータを前処理し、拡散モデルをトレーニングして、ノイズからEEGチャネルを再構築し、生成された信号の品質を評価する。 生成したデータは95%以上の分類精度を達成し,平均二乗誤差が低く,実信号との相関が高かった。
  論文  参考訳（メタデータ） (2025-10-03T02:02:05Z)
• Category-aware EEG image generation based on wavelet transform and contrast semantic loss [4.165508411354963]
  本稿では、離散ウェーブレット変換(DWT)とゲーティング機構を統合したトランスフォーマーベースのEEG信号エンコーダを提案する。 このエンコーダは,脳波信号から視覚刺激に関連する特徴を抽出するために用いられる。 事前学習した拡散モデルにより、これらの特徴は視覚刺激に再構成される。
  論文  参考訳（メタデータ） (2025-05-30T07:24:58Z)
• 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)
• CognitionCapturer: Decoding Visual Stimuli From Human EEG Signal With Multimodal Information [61.1904164368732]
  脳波信号の表現にマルチモーダルデータを完全に活用する統合フレームワークであるCognitionCapturerを提案する。 具体的には、CognitionCapturerは、各モダリティに対してモダリティエキスパートを訓練し、EEGモダリティからモダリティ情報を抽出する。 このフレームワークは生成モデルの微調整を一切必要とせず、より多くのモダリティを組み込むように拡張することができる。
  論文  参考訳（メタデータ） (2024-12-13T16:27:54Z)

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。