TFM-Tokenizer · Tokenización de EEG

Convierte EEG de un solo canal en tokens discretos de tiempo-frecuencia para un Transformer.

Usar este prompt como punto de partida

Convierte EEG de un solo canal en tokens discretos de tiempo-frecuencia para un Transformer.

Crea un diagrama conceptual horizontal en formato 16:9 del método TFM-Tokenizer, que ilustre cómo el EEG de un solo canal se convierte en tokens discretos de tiempo-frecuencia y se introduce en un Transformer.

Título: "TFM-Tokenizer: discretización tiempo-frecuencia de EEG | Ejemplo conceptual".

La forma de onda de EEG pasa secuencialmente por STFT y la segmentación en parches superpuestos; la entrada enmascarada en el tiempo pasa al codificador temporal, la entrada enmascarada por banda de frecuencia pasa al codificador de ventana espectral localizada, y las dos ramas se combinan en la agregación por parches con compuertas; luego se realiza la cuantización para formar el vocabulario de tokens y los tokens de EEG, con la reconstrucción enmascarada restaurando el espectrograma; a la derecha, muestra los tokens de EEG aprendidos → enmascaramiento → codificador Transformer → módulo de predicción de tokens → predicción de tokens enmascarados.

Usa morado para el espectro, azul para la ruta temporal, naranja para el vocabulario y los tokens, tramado gris para el enmascaramiento, sobre un fondo blanco con flechas claras y recuadros de módulos.

Mantén las notas cualitativas de que el método es independiente del modelo y adaptable a modelos fundacionales y configuraciones multicanal.

Añadir anotación de pérdida

Añade a la rama de reconstrucción enmascarada la anotación de su pérdida de reconstrucción, sin modificar el resto del flujo.

Probar Kimi Design

Crea un diagrama conceptual horizontal en formato 16:9 del método TFM-Tokenizer, que ilustre cómo el EEG de un solo canal se convierte en tokens discretos de tiempo-frecuencia y se introduce en un Transformer.

Título: "TFM-Tokenizer: discretización tiempo-frecuencia de EEG | Ejemplo conceptual".

La forma de onda de EEG pasa secuencialmente por STFT y la segmentación en parches superpuestos; la entrada enmascarada en el tiempo pasa al codificador temporal, la entrada enmascarada por banda de frecuencia pasa al codificador de ventana espectral localizada, y las dos ramas se combinan en la agregación por parches con compuertas; luego se realiza la cuantización para formar el vocabulario de tokens y los tokens de EEG, con la reconstrucción enmascarada restaurando el espectrograma; a la derecha, muestra los tokens de EEG aprendidos → enmascaramiento → codificador Transformer → módulo de predicción de tokens → predicción de tokens enmascarados.

Usa morado para el espectro, azul para la ruta temporal, naranja para el vocabulario y los tokens, tramado gris para el enmascaramiento, sobre un fondo blanco con flechas claras y recuadros de módulos.

Mantén las notas cualitativas de que el método es independiente del modelo y adaptable a modelos fundacionales y configuraciones multicanal.

Cambiar paleta

Cambia los colores del espectro, la ruta temporal y los tokens a índigo, verde azulado y bermellón, sin modificar la estructura.

Probar Kimi Design

Crea un diagrama conceptual horizontal en formato 16:9 del método TFM-Tokenizer, que ilustre cómo el EEG de un solo canal se convierte en tokens discretos de tiempo-frecuencia y se introduce en un Transformer.

Título: "TFM-Tokenizer: discretización tiempo-frecuencia de EEG | Ejemplo conceptual".

La forma de onda de EEG pasa secuencialmente por STFT y la segmentación en parches superpuestos; la entrada enmascarada en el tiempo pasa al codificador temporal, la entrada enmascarada por banda de frecuencia pasa al codificador de ventana espectral localizada, y las dos ramas se combinan en la agregación por parches con compuertas; luego se realiza la cuantización para formar el vocabulario de tokens y los tokens de EEG, con la reconstrucción enmascarada restaurando el espectrograma; a la derecha, muestra los tokens de EEG aprendidos → enmascaramiento → codificador Transformer → módulo de predicción de tokens → predicción de tokens enmascarados.

Usa morado para el espectro, azul para la ruta temporal y naranja para el vocabulario y los tokens, tramado gris para el enmascaramiento, sobre un fondo blanco con flechas claras y recuadros de módulos.

Mantén las notas cualitativas de que el método es independiente del modelo y adaptable a modelos fundacionales y configuraciones multicanal.

Añadir boceto multicanal

Añade un pequeño boceto de la extensión multicanal junto a las notas cualitativas.

Probar Kimi Design

Crea un diagrama conceptual horizontal en formato 16:9 del método TFM-Tokenizer, que ilustre cómo el EEG de un solo canal se convierte en tokens discretos de tiempo-frecuencia y se introduce en un Transformer.

Título: "TFM-Tokenizer: discretización tiempo-frecuencia de EEG | Ejemplo conceptual".

La forma de onda de EEG pasa secuencialmente por STFT y la segmentación en parches superpuestos; la entrada enmascarada en el tiempo pasa al codificador temporal, la entrada enmascarada por banda de frecuencia pasa al codificador de ventana espectral localizada, y las dos ramas se combinan en la agregación por parches con compuertas; luego se realiza la cuantización para formar el vocabulario de tokens y los tokens de EEG, con la reconstrucción enmascarada restaurando el espectrograma; a la derecha, muestra los tokens de EEG aprendidos → enmascaramiento → codificador Transformer → módulo de predicción de tokens → predicción de tokens enmascarados.

Usa morado para el espectro, azul para la ruta temporal, naranja para el vocabulario y los tokens, tramado gris para el enmascaramiento, sobre un fondo blanco con flechas claras y recuadros de módulos.

Mantén las notas cualitativas de que el método es independiente del modelo y adaptable a modelos fundacionales y configuraciones multicanal.