TFM-Tokenizer · EEG 토큰화

네 단계로 단일 채널 EEG를 이산 토큰으로 변환합니다. STFT 및 패치화, 시간 및 스펙트럼 윈도우 인코딩, 게이트 기반 패치별 집계, 그리고 양자화 순서입니다.

이 프롬프트로 시작

단일 채널 EEG를 Transformer용 시간-주파수 이산 token으로 변환합니다.

손실 주석 추가

나머지 파이프라인은 그대로 두고 Masked Reconstruction 분기에 재구성 손실 주석을 추가합니다.

단일 채널 EEG가 시간-주파수 이산 token으로 변환되어 Transformer에 입력되는 과정을 보여주는 TFM-Tokenizer의 16:9 가로형 개념 방법 다이어그램을 만드세요.

제목: "TFM-Tokenizer: EEG 시간-주파수 이산화 | 개념 예시".

EEG 파형은 STFT와 겹치는 패칭을 순차적으로 거칩니다. 시간 마스킹된 입력은 Temporal Encoder로, 주파수 대역 마스킹된 입력은 Localized Spectral Window Encoder로 들어가며, 두 분기는 Gated Patchwise Aggregation에서 합쳐집니다. 이어서 Quantization을 통해 Token Vocabulary와 EEG-Tokens를 형성하고, Masked Reconstruction이 스펙트로그램을 복원하도록 합니다; 오른쪽에는 학습된 EEG token → Masking → Transformer Encoder → Token Prediction Head → Masked Token Prediction을 표시하세요.

스펙트럼에는 보라색, 시간 경로에는 파란색, 어휘와 token에는 주황색, 마스킹에는 회색 해칭을 사용하세요. 흰색 배경에 명확한 화살표와 모듈 상자를 배치하세요.

이 방법이 모델에 구애받지 않으며 파운데이션 모델과 다중 채널 설정에 적용할 수 있다는 정성적 설명을 유지하세요.

색상 팔레트 변경

구조는 변경하지 않고 스펙트럼, 시간 경로, token의 색상을 각각 남색, 청록색, 주홍색으로 바꿉니다.

Kimi Design 사용해 보기

단일 채널 EEG가 시간-주파수 이산 token으로 변환되어 Transformer에 입력되는 과정을 보여주는 TFM-Tokenizer의 16:9 가로형 개념 방법 다이어그램을 만드세요.

제목: "TFM-Tokenizer: EEG 시간-주파수 이산화 | 개념 예시".

EEG 파형은 STFT와 겹치는 패칭을 순차적으로 거칩니다. 시간 마스킹된 입력은 Temporal Encoder로, 주파수 대역 마스킹된 입력은 Localized Spectral Window Encoder로 들어가며, 두 분기는 Gated Patchwise Aggregation에서 합쳐집니다. 이어서 Quantization을 통해 Token Vocabulary와 EEG-Tokens를 형성하고, Masked Reconstruction이 스펙트로그램을 복원합니다. 오른쪽에는 학습된 EEG token → Masking → Transformer Encoder → Token Prediction Head → Masked Token Prediction을 표시하세요.

스펙트럼에는 보라색, 시간 경로에는 파란색, 어휘와 token에는 주황색을 사용하세요, 마스킹에는 회색 해칭을 사용하세요. 흰색 배경에 명확한 화살표와 모듈 상자를 배치하세요.

이 방법이 모델에 구애받지 않으며 파운데이션 모델과 다중 채널 설정에 적용할 수 있다는 정성적 설명을 유지하세요.

다중 채널 스케치 추가

정성적 설명 옆에 다중 채널 확장에 대한 작은 스케치를 추가합니다.

Kimi Design 사용해 보기

단일 채널 EEG가 시간-주파수 이산 token으로 변환되어 Transformer에 입력되는 과정을 보여주는 TFM-Tokenizer의 16:9 가로형 개념 방법 다이어그램을 만드세요.

제목: "TFM-Tokenizer: EEG 시간-주파수 이산화 | 개념 예시".

EEG 파형은 STFT와 겹치는 패칭을 순차적으로 거칩니다. 시간 마스킹된 입력은 Temporal Encoder로, 주파수 대역 마스킹된 입력은 Localized Spectral Window Encoder로 들어가며, 두 분기는 Gated Patchwise Aggregation에서 합쳐집니다. 이어서 Quantization을 통해 Token Vocabulary와 EEG-Tokens를 형성하고, Masked Reconstruction이 스펙트로그램을 복원합니다. 오른쪽에는 학습된 EEG token → Masking → Transformer Encoder → Token Prediction Head → Masked Token Prediction을 표시하세요.

스펙트럼에는 보라색, 시간 경로에는 파란색, 어휘와 token에는 주황색, 마스킹에는 회색 해칭을 사용하세요. 흰색 배경에 명확한 화살표와 모듈 상자를 배치하세요.

이 방법이 모델에 구애받지 않으며 파운데이션 모델과 다중 채널 설정에 적용할 수 있다는 정성적 설명을 유지하세요.