TFM-Tokenizer · Tokenisation de l’EEG

Conversion d’un EEG monocanal en tokens discrets temps-fréquence pour un Transformer.

Partir de ce prompt

Conversion d’un EEG monocanal en tokens discrets temps-fréquence pour un Transformer.

Créez un diagramme conceptuel de méthode TFM-Tokenizer au format paysage 16:9, illustrant la conversion d’un EEG monocanal en tokens discrets temps-fréquence et leur transmission à un Transformer.

Titre : "TFM-Tokenizer: Discrétisation temps–fréquence de l’EEG | Exemple conceptuel".

La forme d’onde EEG passe successivement par la STFT et un découpage en patchs chevauchants ; l’entrée masquée dans le temps est envoyée à l’Encodeur temporel, l’entrée masquée par bande de fréquences est envoyée à l’Encodeur localisé de fenêtres spectrales, puis les deux branches fusionnent dans l’Agrégation par patchs contrôlée ; vient ensuite la Quantification pour former le Vocabulaire de tokens et les EEG-Tokens, la Reconstruction masquée restaurant le spectrogramme ; à droite, montrez les tokens EEG appris → Masquage → Encodeur Transformer → Tête de prédiction de tokens → Prédiction de tokens masqués.

Utilisez du violet pour le spectre, du bleu pour le chemin temporel, de l’orange pour le vocabulaire et les tokens, des hachures grises pour le masquage, sur un fond blanc avec des flèches et des encadrés de modules bien visibles.

Conservez les notes qualitatives indiquant que la méthode est indépendante du modèle et adaptable aux modèles de fondation ainsi qu’aux configurations multicanales.

Ajouter l’annotation de la perte

Annote la branche de Reconstruction masquée avec sa perte de reconstruction, sans modifier le reste du pipeline.

Essayer Kimi Design

Créez un diagramme conceptuel de méthode TFM-Tokenizer au format paysage 16:9, illustrant la conversion d’un EEG monocanal en tokens discrets temps-fréquence et leur transmission à un Transformer.

Titre : "TFM-Tokenizer: Discrétisation temps–fréquence de l’EEG | Exemple conceptuel".

La forme d’onde EEG passe successivement par la STFT et un découpage en patchs chevauchants ; l’entrée masquée dans le temps est envoyée à l’Encodeur temporel, l’entrée masquée par bande de fréquences est envoyée à l’Encodeur localisé de fenêtres spectrales, puis les deux branches fusionnent dans l’Agrégation par patchs contrôlée ; vient ensuite la Quantification pour former le Vocabulaire de tokens et les EEG-Tokens, la Reconstruction masquée restaurant le spectrogramme ; à droite, montrez les tokens EEG appris → Masquage → Encodeur Transformer → Tête de prédiction de tokens → Prédiction de tokens masqués.

Utilisez du violet pour le spectre, du bleu pour le chemin temporel, de l’orange pour le vocabulaire et les tokens, des hachures grises pour le masquage, sur un fond blanc avec des flèches et des encadrés de modules bien visibles.

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 chemin temporel et les tokens en indigo, bleu pétrole et vermillon, sans modifier la structure.

Essayer Kimi Design

Créez un diagramme conceptuel de méthode TFM-Tokenizer au format paysage 16:9, illustrant la conversion d’un EEG monocanal en tokens discrets temps-fréquence et leur transmission à un Transformer.

Titre : "TFM-Tokenizer: Discrétisation temps–fréquence de l’EEG | Exemple conceptuel".

La forme d’onde EEG passe successivement par la STFT et un découpage en patchs chevauchants ; l’entrée masquée dans le temps est envoyée à l’Encodeur temporel, l’entrée masquée par bande de fréquences est envoyée à l’Encodeur localisé de fenêtres spectrales, puis les deux branches fusionnent dans l’Agrégation par patchs contrôlée ; vient ensuite la Quantification pour former le Vocabulaire de tokens et les EEG-Tokens, la Reconstruction masquée restaurant le spectrogramme ; à droite, montrez les tokens EEG appris → Masquage → Encodeur Transformer → Tête de prédiction de tokens → Prédiction de tokens masqués.

Utilisez du violet pour le spectre, du bleu pour le chemin temporel, de l’orange pour le vocabulaire et les tokens, des hachures grises pour le masquage, sur un fond blanc avec des flèches et des encadrés de modules bien visibles.

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 schéma multicanal

Ajoute un petit schéma de l’extension multicanale à côté des notes qualitatives.

Essayer Kimi Design

Créez un diagramme conceptuel de méthode TFM-Tokenizer au format paysage 16:9, illustrant la conversion d’un EEG monocanal en tokens discrets temps-fréquence et leur transmission à un Transformer.

Titre : "TFM-Tokenizer: Discrétisation temps–fréquence de l’EEG | Exemple conceptuel".

La forme d’onde EEG passe successivement par la STFT et un découpage en patchs chevauchants ; l’entrée masquée dans le temps est envoyée à l’Encodeur temporel, l’entrée masquée par bande de fréquences est envoyée à l’Encodeur localisé de fenêtres spectrales, puis les deux branches fusionnent dans l’Agrégation par patchs contrôlée ; vient ensuite la Quantification pour former le Vocabulaire de tokens et les EEG-Tokens, la Reconstruction masquée restaurant le spectrogramme ; à droite, montrez les tokens EEG appris → Masquage → Encodeur Transformer → Tête de prédiction de tokens → Prédiction de tokens masqués.

Utilisez du violet pour le spectre, du bleu pour le chemin temporel, de l’orange pour le vocabulaire et les tokens, des hachures grises pour le masquage, sur un fond blanc avec des flèches et des encadrés de modules bien visibles.

Conservez les notes qualitatives indiquant que la méthode est indépendante du modèle et adaptable aux modèles de fondation ainsi qu’aux configurations multicanales.