ترجمه فارسی مقاله FoME: یک مدل پایه برای EEG با استفاده از مقیاس بندی توجه زمانی-جانبی تطبیقی

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

عنوان مقاله به انگلیسی FoME: A Foundation Model for EEG using Adaptive Temporal-Lateral Attention Scaling
عنوان مقاله به فارسی FoME: یک مدل پایه برای EEG با استفاده از مقیاس بندی توجه زمانی-جانبی تطبیقی
نویسندگان Enze Shi, Kui Zhao, Qilong Yuan, Jiaqi Wang, Huawen Hu, Sigang Yu, Shu Zhang
فرمت مقاله انگلیسی PDF
تعداد صفحات 11
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Machine Learning,Artificial Intelligence,Signal Processing,یادگیری ماشین , هوش مصنوعی , پردازش سیگنال ,
توضیحات Submitted 19 September, 2024; originally announced September 2024.
توضیحات به فارسی ارسال شده در 19 سپتامبر 2024 ؛در ابتدا سپتامبر 2024 اعلام شد.
اطلاعات بیشتر از این مقاله در پایگاه های علمی INSPIRE HEP
NASA ADS
Google Scholar
Semantic Scholar

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

چکیده

Electroencephalography (EEG) is a vital tool to measure and record brain activity in neuroscience and clinical applications, yet its potential is constrained by signal heterogeneity, low signal-to-noise ratios, and limited labeled datasets. In this paper, we propose FoME (Foundation Model for EEG), a novel approach using adaptive temporal-lateral attention scaling to address above-mentioned challenges. FoME is pre-trained on a diverse 1.7TB dataset of scalp and intracranial EEG recordings, comprising 745M parameters trained for 1,096k steps. Our model introduces two key innovations: a time-frequency fusion embedding technique and an adaptive time-lateral attention scaling (ATLAS) mechanism. These components synergistically capture complex temporal and spectral EEG dynamics, enabling FoME to adapt to varying patterns across diverse data streams and facilitate robust multi-channel modeling. Evaluations across four downstream tasks demonstrate FoME's superior performance in classification and forecasting applications, consistently achieving state-of-the-art results. To conclude, FoME establishes a new paradigm for EEG analysis, offering a versatile foundation that advances brain-computer interfaces, clinical diagnostics, and cognitive research across neuroscience and related fields. Our code will be available at https://github.com/1061413241/FoME.

چکیده به فارسی (ترجمه ماشینی)

الکتروانسفالوگرافی (EEG) ابزاری اساسی برای اندازه گیری و ضبط فعالیت مغز در علوم اعصاب و کاربردهای بالینی است ، اما پتانسیل آن با ناهمگونی سیگنال ، نسبت های کم سیگنال به نویز و مجموعه داده های دارای برچسب محدود محدود می شود.در این مقاله ، ما FOME (مدل پایه برای EEG) را پیشنهاد می کنیم ، یک رویکرد جدید با استفاده از مقیاس توجه زمانی تطبیقی-جانبی-جانبی برای پرداختن به چالش های فوق.FOME در مجموعه داده های متنوع 1.7TB از پوست سر و ضبط های EEG داخل جمجمه ، شامل 745M پارامترهای آموزش دیده برای مراحل 1،096k است.مدل ما دو نوآوری کلیدی را معرفی می کند: یک تکنیک تعبیه فیوژن با فرکانس زمان و مکانیسم مقیاس بندی توجه جانبی-جانبی زمان (ATLAS).این مؤلفه ها به طور هم افزایی پویایی پیچیده زمانی و طیفی EEG را ضبط می کنند و FOME را قادر می سازد تا با الگوهای مختلف در جریان داده های متنوع سازگار شود و مدل سازی چند کانال قوی را تسهیل کند.ارزیابی ها در چهار وظیفه پایین دست نشان دهنده عملکرد برتر FOME در طبقه بندی و برنامه های پیش بینی ، به طور مداوم به نتایج پیشرفته می رسد.برای نتیجه گیری ، FOME یک الگوی جدید برای تجزیه و تحلیل EEG ایجاد می کند ، و یک پایه همه کاره ارائه می دهد که باعث افزایش رابط های مغز و رایانه ، تشخیص بالینی و تحقیقات شناختی در سراسر علوم اعصاب و زمینه های مرتبط می شود.کد ما در https://github.com/1061413241/fome در دسترس خواهد بود.

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.