,

مقاله KAST-BAR: مدل خودبازگشتی مغز با توپولوژی پویا و معنایی مبتنی بر دانش برای تفسیر عصبی جهانی.

تومان249,950

مدل‌های پایه الکتروانسفالوگرافی (EEG) پتانسیل قابل توجهی در رمزگشایی عصبی جهانی در وظایف مختلف نشان داده‌اند، اما پیشرفت آنها همچنان با عدم توانایی در مدل‌سازی توپولوژی پیچیده فضایی-زمانی و همچنین شکا…

انتخاب پلن

torobpay
هر قسط با ترب‌پی: تومان62,488
۴ قسط ماهانه. بدون سود، چک و ضامن.
شناسه محصول: SuperPaper-0000000106 دسته: ,

📚 محتوای این محصول آموزشی (پکیج کامل)

💡 این محصول یک نسخهٔ کامل و جامع است

تمامی محتوای آموزشی این کتاب در قالب یک بسته‌ی کامل و یکپارچه ارائه می‌شود و شامل تمام نسخه‌ها و فایل‌های موردنیاز برای یادگیری است.

🎁 محتویات کامل بسته دانلودی

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


ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود و نسخهٔ چاپی ندارد.
  • 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 کتاب همانجا 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

KAST-BAR: مدل خودبازگشتی مغز با توپولوژی پویا و معنایی مبتنی بر دانش برای تفسیر عصبی جهانی.

KAST-BAR: Knowledge-Anchored Semantically-Dynamic Topology Brain Autoregressive Modeling for Universal Neural Interpretation

نویسندگان: Haoning Wang, Wenchao Yang, Shuai Shen, Yang Li

شناسه منبع: arxiv / 2605.13133

دسته: Machine Learning,Signal Processing

چکیده (فارسی)

مدل‌های پایه الکتروانسفالوگرافی (EEG) پتانسیل قابل توجهی در رمزگشایی عصبی جهانی در وظایف مختلف نشان داده‌اند، اما پیشرفت آنها همچنان با عدم توانایی در مدل‌سازی توپولوژی پیچیده فضایی-زمانی و همچنین شکاف ذاتی بین سیگنال‌های فیزیولوژیکی سطح پایین و معانی متنی سطح بالا محدود شده است. برای پرداختن به این چالش‌ها، ما یک مدل خودرگرسیو مغزی توپولوژی دینامیک معنایی مبتنی بر دانش (KAST-BAR) را پیشنهاد می‌کنیم که بازنمایی‌های فیزیولوژیکی مشتق شده از توپولوژی مغز چند سطحی را به طور پویا با یک فضای معنایی در سطح متخصص همسو می‌کند. به طور خاص، ما یک رمزگذار توجه سلسله مراتبی دو جریانی (DSHA) را طراحی می‌کنیم که با مدل‌سازی پویایی‌های زمانی محلی با زمینه‌های فضایی جهانی، توپولوژی ذاتی غیر اقلیدسی مغز را به دقت ثبت می‌کند. بر این اساس، یک پروفایلر معنایی مبتنی بر دانش (KASP) پیشنهاد می‌شود تا پروفایل‌های متنی فیزیکی-مستقر و در سطح نمونه را سنتز کند، که متعاقباً یک پالایشگر معنایی آگاه از متن (STAR) را برای بازسازی پویا بازنمایی‌های EEG با استفاده از پرس‌وجوهای متخصص پنهان هدایت می‌کند. با انجام پیش‌آموزش در مقیاس بزرگ بر روی ۲۱ مجموعه داده متنوع برای ساخت یک مدل پایه، KAST-BAR به طور مؤثر دانش پزشکی در سطح متخصص را در بازنمایی‌های سیگنال EEG ادغام می‌کند و به طور مداوم عملکرد برتری را در شش وظیفه پایین‌دستی به دست می‌آورد. کد ما در https://github.com/KAST-BAR/KAST-BAR موجود است.

Abstract (English)

While EEG foundation models have shown significant potential in universal neural decoding across tasks, their advancement remains constrained by the inadequacy modeling of complex spatiotemporal topology, as well as the inherent modality gap between low-level physiological signals and high-level textual semantics. To address these challenges, we propose a Knowledge-Anchored Semantically-Dynamic Topology Brain Autoregressive Model (KAST-BAR), which dynamically aligns physiological representations derived from multi-level brain topology with an expert-level semantic space. Specifically, we design a Dual-Stream Hierarchical Attention (DSHA) encoder that accurately captures the brain's intrinsic non-Euclidean topology by modeling local temporal dynamics with global spatial contexts. On this basis, a Knowledge-Anchored Semantic Profiler (KASP) is proposed to synthesize physically-grounded and instance-level textual profiles, which subsequently drive a Semantic Text-Aware Refiner (STAR) to dynamically reconstruct EEG representations using Latent Expert Queries. By conducting large-scale pre-training on 21 diverse datasets to build a foundation model, KAST-BAR effectively integrates expert-level medical knowledge into EEG signal representations, consistently achieving superior performance across six downstream tasks. Our code is available at https://github.com/KAST-BAR/KAST-BAR

دیدگاهها

هیچ دیدگاهی برای این محصول نوشته نشده است.

اولین نفری باشید که دیدگاهی را ارسال می کنید برای “مقاله KAST-BAR: مدل خودبازگشتی مغز با توپولوژی پویا و معنایی مبتنی بر دانش برای تفسیر عصبی جهانی.”

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

پیمایش به بالا