TFM-Tokenizer · Tokenisation EEG
Quatre étapes transforment un EEG monocanal en tokens discrets : STFT et patching, encodage temporel et par fenêtre spectrale, agrégation par patchs contrôlée, puis quantification.
13579 views
Partir de ce prompt
Conversion d’un EEG monocanal en tokens discrets temps-fréquence pour un Transformer.
Ajouter l’annotation de la perte
Ajoute à la branche Masked Reconstruction l’annotation de sa perte de reconstruction, sans modifier le reste du pipeline.
Essayer Kimi DesignCréez un diagramme conceptuel de méthode TFM-Tokenizer au format paysage 16:9, illustrant comment un EEG monocanal est converti en tokens discrets temps-fréquence et transmis à un Transformer. Titre : « TFM-Tokenizer: EEG Time–Frequency Discretization | Exemple conceptuel ». Le signal EEG passe successivement par STFT et par un Patching chevauchant ; l’entrée masquée dans le temps est envoyée vers le Temporal Encoder, l’entrée masquée par bande de fréquences vers le Localized Spectral Window Encoder, puis les deux branches fusionnent dans le Gated Patchwise Aggregation ; vient ensuite la Quantization pour former le Token Vocabulary et les EEG-Tokens, tandis que le Masked Reconstruction restaure le spectrogramme ; à droite, montrez les tokens EEG appris → Masking → Transformer Encoder → Token Prediction Head → Masked Token Prediction. Utilisez du violet pour le spectre, du bleu pour le parcours temporel, de l’orange pour le vocabulaire et les tokens, des hachures grises pour le masquage, sur fond blanc avec des flèches nettes et des blocs de module. Conservez les notes qualitatives indiquant que la méthode est indépendante du modèle et adaptable aux modèles de fondation ainsi qu’aux configurations multicanales.
Changer de palette
Recolore le spectre, le parcours temporel et les tokens en indigo, sarcelle et vermillon, sans modifier la structure.
Essayer Kimi DesignCréez un diagramme conceptuel de méthode TFM-Tokenizer au format paysage 16:9, illustrant comment un EEG monocanal est converti en tokens discrets temps-fréquence et transmis à un Transformer. Titre : « TFM-Tokenizer: EEG Time–Frequency Discretization | Exemple conceptuel ». Le signal EEG passe successivement par STFT et par un Patching chevauchant ; l’entrée masquée dans le temps est envoyée vers le Temporal Encoder, l’entrée masquée par bande de fréquences vers le Localized Spectral Window Encoder, puis les deux branches fusionnent dans le Gated Patchwise Aggregation ; vient ensuite la Quantization pour former le Token Vocabulary et les EEG-Tokens, tandis que le Masked Reconstruction restaure le spectrogramme ; à droite, montrez les tokens EEG appris → Masking → Transformer Encoder → Token Prediction Head → Masked Token Prediction. Utilisez du violet pour le spectre, du bleu pour le parcours temporel, de l’orange pour le vocabulaire et les tokens, des hachures grises pour le masquage, sur fond blanc avec des flèches nettes et des blocs de module. Conservez les notes qualitatives indiquant que la méthode est indépendante du modèle et adaptable aux modèles de fondation ainsi qu’aux configurations multicanales.
Ajouter un croquis multicanal
Ajoute un petit croquis de l’extension multicanale à côté des notes qualitatives.
Essayer Kimi DesignCréez un diagramme conceptuel de méthode TFM-Tokenizer au format paysage 16:9, illustrant comment un EEG monocanal est converti en tokens discrets temps-fréquence et transmis à un Transformer. Titre : « TFM-Tokenizer: EEG Time–Frequency Discretization | Exemple conceptuel ». Le signal EEG passe successivement par STFT et par un Patching chevauchant ; l’entrée masquée dans le temps est envoyée vers le Temporal Encoder, l’entrée masquée par bande de fréquences vers le Localized Spectral Window Encoder, puis les deux branches fusionnent dans le Gated Patchwise Aggregation ; vient ensuite la Quantization pour former le Token Vocabulary et les EEG-Tokens, tandis que le Masked Reconstruction restaure le spectrogramme ; à droite, montrez les tokens EEG appris → Masking → Transformer Encoder → Token Prediction Head → Masked Token Prediction. Utilisez du violet pour le spectre, du bleu pour le parcours temporel, de l’orange pour le vocabulaire et les tokens, des hachures grises pour le masquage, sur fond blanc avec des flèches nettes et des blocs de module. Conservez les notes qualitatives indiquant que la méthode est indépendante du modèle et adaptable aux modèles de fondation ainsi qu’aux configurations multicanales.
Vous pourriez aussi aimer
36 nouveaux titres arrivent. Deux ans plus tard, il n’en reste que 6.
Une infographie de journalisme de données qui suit la diminution de 36 nouveaux titres d’une librairie indépendante, jusqu’à n’en laisser que six au bout de deux ans.
Affiche d’étude typographique Rémanence — Velorin, numéro 04
« RÉMANENCE » condensé et italique en décalage fantôme, FORME/EN MOUVEMENT en noir et bleu vif, un rectangle riso vert et un ruban bleu ciel ; une échelle indique X 07.40, Y 22.18, Z 11.63.