TFM-Tokenizer · EEG-Tokenisierung
Umwandlung von einkanaligem EEG in diskrete Zeit-Frequenz-Token für einen Transformer.
13579 views
Mit diesem Prompt starten
Umwandlung von einkanaligem EEG in diskrete Zeit-Frequenz-Token für einen Transformer.
Kimi Design ausprobierenErstelle ein konzeptionelles Methodendiagramm von TFM-Tokenizer im Querformat 16:9, das veranschaulicht, wie einkanaliges EEG in diskrete Zeit-Frequenz-Token umgewandelt und in einen Transformer eingespeist wird. Titel: „TFM-Tokenizer: EEG-Zeit-Frequenz-Diskretisierung | Konzeptionelles Beispiel“. Die EEG-Wellenform durchläuft nacheinander STFT und überlappendes Patching; zeitmaskierte Eingaben werden in den temporalen Encoder eingespeist, frequenzbandmaskierte Eingaben in den Encoder für lokalisierte Spektralfenster, und die beiden Zweige werden in der Gated Patchwise Aggregation zusammengeführt; darauf folgt die Quantisierung zur Bildung des Token-Vokabulars und der EEG-Token, während die Masked Reconstruction das Spektrogramm wiederherstellt; zeige auf der rechten Seite gelernte EEG-Token → Maskierung → Transformer-Encoder → Token-Vorhersagekopf → Vorhersage maskierter Token. Verwende Violett für das Spektrum, Blau für den zeitlichen Pfad, Orange für das Vokabular und die Token, graue Schraffur für die Maskierung sowie einen weißen Hintergrund mit klaren Pfeilen und Modulboxen. Behalte die qualitativen Hinweise bei, dass die Methode modellagnostisch ist und sich an Foundation-Modelle sowie Mehrkanal-Konfigurationen anpassen lässt.
Verlustfunktion ergänzen
Ergänzt den Zweig Masked Reconstruction um seine Rekonstruktionsverlustfunktion, ohne den Rest der Pipeline zu verändern.
Kimi Design ausprobierenErstelle ein konzeptionelles Methodendiagramm von TFM-Tokenizer im Querformat 16:9, das veranschaulicht, wie einkanaliges EEG in diskrete Zeit-Frequenz-Token umgewandelt und in einen Transformer eingespeist wird. Titel: „TFM-Tokenizer: EEG-Zeit-Frequenz-Diskretisierung | Konzeptionelles Beispiel“. Die EEG-Wellenform durchläuft nacheinander STFT und überlappendes Patching; zeitmaskierte Eingaben werden in den temporalen Encoder eingespeist, frequenzbandmaskierte Eingaben in den Encoder für lokalisierte Spektralfenster, und die beiden Zweige werden in der Gated Patchwise Aggregation zusammengeführt; darauf folgt die Quantisierung zur Bildung des Token-Vokabulars und der EEG-Token, während die Masked Reconstruction das Spektrogramm wiederherstellt; zeige auf der rechten Seite gelernte EEG-Token → Maskierung → Transformer-Encoder → Token-Vorhersagekopf → Vorhersage maskierter Token. Verwende Violett für das Spektrum, Blau für den zeitlichen Pfad, Orange für das Vokabular und die Token, graue Schraffur für die Maskierung sowie einen weißen Hintergrund mit klaren Pfeilen und Modulboxen. Behalte die qualitativen Hinweise bei, dass die Methode modellagnostisch ist und sich an Foundation-Modelle sowie Mehrkanal-Konfigurationen anpassen lässt.
Farbpalette wechseln
Färbt Spektrum, zeitlichen Pfad und Token in Indigo, Petrol und Zinnoberrot um, ohne die Struktur zu verändern.
Kimi Design ausprobierenErstelle ein konzeptionelles Methodendiagramm von TFM-Tokenizer im Querformat 16:9, das veranschaulicht, wie einkanaliges EEG in diskrete Zeit-Frequenz-Token umgewandelt und in einen Transformer eingespeist wird. Titel: „TFM-Tokenizer: EEG-Zeit-Frequenz-Diskretisierung | Konzeptionelles Beispiel“. Die EEG-Wellenform durchläuft nacheinander STFT und überlappendes Patching; zeitmaskierte Eingaben werden in den temporalen Encoder eingespeist, frequenzbandmaskierte Eingaben in den Encoder für lokalisierte Spektralfenster, und die beiden Zweige werden in der Gated Patchwise Aggregation zusammengeführt; darauf folgt die Quantisierung zur Bildung des Token-Vokabulars und der EEG-Token, während die Masked Reconstruction das Spektrogramm wiederherstellt; zeige auf der rechten Seite gelernte EEG-Token → Maskierung → Transformer-Encoder → Token-Vorhersagekopf → Vorhersage maskierter Token. Verwende Violett für das Spektrum, Blau für den zeitlichen Pfad, Orange für das Vokabular und die Token, graue Schraffur für die Maskierung sowie einen weißen Hintergrund mit klaren Pfeilen und Modulboxen. Behalte die qualitativen Hinweise bei, dass die Methode modellagnostisch ist und sich an Foundation-Modelle sowie Mehrkanal-Konfigurationen anpassen lässt.
Mehrkanal-Skizze hinzufügen
Fügt neben den qualitativen Hinweisen eine kleine Skizze der Mehrkanal-Erweiterung hinzu.
Kimi Design ausprobierenErstelle ein konzeptionelles Methodendiagramm von TFM-Tokenizer im Querformat 16:9, das veranschaulicht, wie einkanaliges EEG in diskrete Zeit-Frequenz-Token umgewandelt und in einen Transformer eingespeist wird. Titel: „TFM-Tokenizer: EEG-Zeit-Frequenz-Diskretisierung | Konzeptionelles Beispiel“. Die EEG-Wellenform durchläuft nacheinander STFT und überlappendes Patching; zeitmaskierte Eingaben werden in den temporalen Encoder eingespeist, frequenzbandmaskierte Eingaben in den Encoder für lokalisierte Spektralfenster, und die beiden Zweige werden in der Gated Patchwise Aggregation zusammengeführt; darauf folgt die Quantisierung zur Bildung des Token-Vokabulars und der EEG-Token, während die Masked Reconstruction das Spektrogramm wiederherstellt; zeige auf der rechten Seite gelernte EEG-Token → Maskierung → Transformer-Encoder → Token-Vorhersagekopf → Vorhersage maskierter Token. Verwende Violett für das Spektrum, Blau für den zeitlichen Pfad, Orange für das Vokabular und die Token, graue Schraffur für die Maskierung sowie einen weißen Hintergrund mit klaren Pfeilen und Modulboxen. Behalte die qualitativen Hinweise bei, dass die Methode modellagnostisch ist und sich an Foundation-Modelle sowie Mehrkanal-Konfigurationen anpassen lässt.
Das könnte Ihnen auch gefallen
Chinesischer Tierkreis
Ein quadratisches Tierkreisrad im Holzschnittstil: zwölf Tiere in drei konzentrischen indigoblauen Ringen mit ocker-goldenen Siegeln.
Ein Jahr in einer Stadtbibliothek
Eine annähernd quadratische Infografik zu den Ausleihdaten einer Stadtbibliothek im Jahr 2026 mit einem mehrstufigen Ringdiagramm.