論文の概要: PhysioWave-T: Token-Efficient Wavelet Foundation Models for Biosignals
- arxiv url: http://arxiv.org/abs/2611.08969v1
- Date: Fri, 06 Nov 2026 04:30:15 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-09 22:29:06.795264
- Title: PhysioWave-T: Token-Efficient Wavelet Foundation Models for Biosignals
- Title(参考訳): 生体信号のためのToken-Efficient Wavelet Foundation Model
- Abstract要約: PhysioWave-Tは、EEG、ECG、sEMGのためのトークン効率の良いウェーブレット基礎モデルである。
動的スケール折り畳みはトークン化の前にJ+1ウェーブレットサブバンドを再結合する。
経路固有のフロントエンドと学習チャネル名埋め込みにより、1つのトランスフォーマーが様々なモンタージュやサンプリングレートを扱うことができる。
- 参考スコア(独自算出の注目度): 27.680641492924448
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We present PhysioWave-T, a token-efficient wavelet foundation model family for EEG, ECG, and sEMG. Dynamic scale folding recombines J+1 wavelet subbands prior to tokenization, compressing sequence length from (J+1)CS to CS tokens for J levels, C channels, and S temporal patches. Route-specific front ends and learned channel-name embeddings allow one Transformer per modality to handle diverse montages and sampling rates, while unseen setups reuse the backbone via lightweight adapters. We pre-train a 30M-parameter EEG model on over 15M windows (19--128 channels), alongside ECG (30M) and sEMG (12M) encoders. Across four EEG routes, scale folding cuts Transformer latency by 4.0--7.2x and peak memory by 6.8--12.7x over scale expansion without accuracy loss. Our EEG encoder leads 8 of 9 metrics against BENDR, BIOT, LaBraM, and EEGPT, and surpasses LUNA-L on wearable seizure detection with fewer parameters. Reliability-aware latent fusion (RALF) further integrates summary tokens from independently pre-trained encoders via sample-adaptive weights. On SeizeIT2, RALF raises event sensitivity at 11 false alarms/h from 61.4% to 74.4% and window AUPRC from 0.321 to 0.399 over the best unimodal baseline, outperforming weighted-logit and concatenation fusion across all variants. PhysioWave-T also achieves state-of-the-art sEMG accuracies and top macro-F1 on PTB-XL Super and Chapman-Shaoxing. Code and models: https://github.com/ForeverBlue816/PhysioWave.
- Abstract(参考訳): 本稿では,EEG,ECG,sEMGのためのトークン効率のよいウェーブレット基礎モデルであるPhyloWave-Tを提案する。
動的スケール折り畳みはトークン化の前にJ+1ウェーブレットサブバンドを再結合し、(J+1)CSからJレベル、Cチャネル、S時間パッチのCSトークンへのシーケンス長を圧縮する。
ルート固有のフロントエンドと学習されたチャネル名埋め込みにより、1つのトランスフォーマーが様々なモンタージュやサンプリングレートを処理でき、見当たらないセットアップは軽量アダプタを介してバックボーンを再利用できる。
我々は、ECG (30M) と sEMG (12M) エンコーダとともに、15M 以上のウィンドウ (19--128チャネル) 上で、30M パラメータのEEGモデルを事前訓練する。
脳波エンコーダは、BENDR、BIOT、LaBraM、EEGPTに対する9つの指標のうち8つをリードし、より少ないパラメータでウェアラブル発作検出においてLUNA-Lを上回ります。
Reliability-Aware Latent fusion (RALF) は、サンプル適応重みによる独立に訓練されたエンコーダからの要約トークンをさらに統合する。
SeizeIT2では、ALFは11の誤報/hでの事象感度を61.4%から74.4%に引き上げ、AUPRCを0.321から0.399に窓をあけ、全ての変種での重み付けと結合融合に優れる。
physioWave-Tは、最先端のsEMGアキュラシーと、TB-XL SuperとChapman-Shaoxingの上位マクロF1も達成している。
コードとモデル:https://github.com/ForeverBlue816/PhysioWave。
関連論文リスト
- Your Transformer Is Secretly Elastic [46.417041776406414]
本研究では,事前学習したトランスフォーマーを1つのモデルに変形させるリトレーニングフリー手法を提案する。
22Mから8Bまでの27個のトランスエンコーダを用いて,スムーズな劣化率を最大60%まで生成する。
論文 参考訳(メタデータ) (2026-10-14T17:58:08Z) - 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) - A Particle-Swarm-Assisted Gradient Meta-Learning Algorithm for Joint Transmit Precoding and STAR-RIS Coefficient Optimization [2.567067472745855]
本稿では,送信プリコーダの共振干渉と同時に送信・反射する予約状態の伝送/反射係数について検討する。
マルチ品質な勾配支援メタラーニングシステムを提案する。
論文 参考訳(メタデータ) (2026-09-24T07:27:32Z) - WaVeFuse: Regime-Adaptive Equity Index Forecasting via Channel-Wise Wavelet Denoising and Vertical Attention Fusion [0.0]
WaVeFuseは、エクイティ予測フレームワークのためのハイブリッドなDeep Learningである。
技術指標(TI)の伝搬、チャネル非識別分解、静的マルチブランチ融合に対処する。
WaVeFuseは、研究と意思決定支援のデプロイメントに適した、計算効率のよい、レシシロバストなフレームワークを提供する。
論文 参考訳(メタデータ) (2026-09-13T18:50:33Z) - Deep Neural Networks for Learning Intent from sEMG Signals to Support Hardware Devices for Post-Stroke Neurorehabilitation [0.0]
指特異的運動意図は、脳卒中後の神経リハビリテーションに対する臨床的に意味のある制御シグナルである。
上肢高密度表面筋電図(sEMG)による5指マルチラベルインテントデコーディングについて検討した。
論文 参考訳(メタデータ) (2026-09-09T09:56:44Z) - N-vium: Mixture-of-Exits Transformer for Accelerated Exact Generation [68.47358899451255]
N-vium (N-vium) は、標準ハードウェア上での計算を部分的に並列化する変圧器である。
N-Viumは複数の深さで予測ヘッドを付加し、次のトーケン分布をこれらの出口上の学習混合物として定義する。
論文 参考訳(メタデータ) (2026-05-13T08:46:17Z) - PanLUNA: An Efficient and Robust Query-Unified Multimodal Model for Edge Biosignal Intelligence [14.663411219312827]
PanLUNAは、単一の共有エンコーダ内でEEG、ECG、PSGを処理するコンパクトFMである。
TUAB異常脳波検出の精度は81.21%である。
論文 参考訳(メタデータ) (2026-04-05T22:35:42Z) - Spec2VolCAMU-Net: A Spectrogram-to-Volume Model for EEG-to-fMRI Reconstruction based on Multi-directional Time-Frequency Convolutional Attention Encoder and Vision-Mamba U-Net [13.510069069207548]
高分解能核磁気共鳴イメージング(fMRI)はヒト脳活動のマッピングに不可欠である。
既存のEEG-to-fMRIジェネレータは、チャネル間の時間周波数キューをキャプチャできないプレーンな畳み込みネットワーク(CNN)に依存している。
リッチな特徴抽出のための多方向時間周波数畳み込みアテンションを特徴とする軽量アーキテクチャであるSpec2VolCAMU-Netを提案する。
論文 参考訳(メタデータ) (2025-05-14T16:18:21Z) - Raw Waveform Encoder with Multi-Scale Globally Attentive Locally
Recurrent Networks for End-to-End Speech Recognition [45.858039215825656]
本稿では,グローバルな注意的局所再帰(GALR)ネットワークを採用し,生波形を直接入力とする新しいエンコーダを提案する。
ベンチマークデータセットAISHELL-2と,5,000時間21,000時間の大規模マンダリン音声コーパスを用いて実験を行った。
論文 参考訳(メタデータ) (2021-06-08T12:12:33Z) - End-to-End Multi-speaker Speech Recognition with Transformer [88.22355110349933]
音声認識モデルにおけるRNNベースのエンコーダデコーダをトランスフォーマーアーキテクチャに置き換える。
また、計算量を削減するために、シーケンス全体ではなくセグメントに制限されるセルフアテンションコンポーネントを変更します。
論文 参考訳(メタデータ) (2020-02-10T16:29:26Z)
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。