TFM-Tokenizer · Tokenização de EEG
Quatro etapas transformam EEG de canal único em tokens discretos: STFT e criação de patches, codificação temporal e de janela espectral, agregação de patches controlada e, por fim, quantização.
13579 views
Começar com este prompt
Transformando EEG de canal único em tokens discretos de tempo-frequência para um Transformer.
Adicionar anotação de perda
Anota o ramo de Reconstrução mascarada com sua perda de reconstrução, mantendo o restante do pipeline inalterado.
Experimente o Kimi DesignCrie um diagrama conceitual do método TFM-Tokenizer, em formato horizontal 16:9, ilustrando como EEG de canal único é convertido em tokens discretos de tempo-frequência e fornecido a um Transformer. Título: "TFM-Tokenizer: discretização tempo-frequência de EEG | Exemplo conceitual". A forma de onda de EEG passa sequencialmente por STFT e criação de patches sobrepostos; a entrada mascarada no tempo segue para o Codificador temporal, a entrada mascarada por banda de frequência segue para o Codificador de janela espectral localizada, e os dois ramos se unem na Agregação de patches controlada; em seguida, ocorre a Quantização para formar o Vocabulário de tokens e os tokens de EEG, com a Reconstrução mascarada restaurando o espectrograma; no lado direito, mostre tokens de EEG aprendidos → Mascaramento → Codificador Transformer → Cabeça de predição de tokens → Predição de tokens mascarados. Use roxo para o espectro, azul para o caminho temporal, laranja para o vocabulário e os tokens, hachura cinza para o mascaramento, sobre fundo branco com setas claras e caixas de módulos. Mantenha as observações qualitativas de que o método é independente de modelo e adaptável a modelos de base e configurações multicanais.
Mudar paleta
Altera as cores do espectro, do caminho temporal e dos tokens para índigo, verde-azulado e vermelhão, sem mudar a estrutura.
Experimente o Kimi DesignCrie um diagrama conceitual do método TFM-Tokenizer, em formato horizontal 16:9, ilustrando como EEG de canal único é convertido em tokens discretos de tempo-frequência e fornecido a um Transformer. Título: "TFM-Tokenizer: discretização tempo-frequência de EEG | Exemplo conceitual". A forma de onda de EEG passa sequencialmente por STFT e criação de patches sobrepostos; a entrada mascarada no tempo segue para o Codificador temporal, a entrada mascarada por banda de frequência segue para o Codificador de janela espectral localizada, e os dois ramos se unem na Agregação de patches controlada; em seguida, ocorre a Quantização para formar o Vocabulário de tokens e os tokens de EEG, com a Reconstrução mascarada restaurando o espectrograma; no lado direito, mostre tokens de EEG aprendidos → Mascaramento → Codificador Transformer → Cabeça de predição de tokens → Predição de tokens mascarados. Use roxo para o espectro, azul para o caminho temporal, laranja para o vocabulário e os tokens, hachura cinza para o mascaramento, sobre fundo branco com setas claras e caixas de módulos. Mantenha as observações qualitativas de que o método é independente de modelo e adaptável a modelos de base e configurações multicanais.
Adicionar esboço multicanal
Adiciona um pequeno esboço da extensão multicanal ao lado das observações qualitativas.
Experimente o Kimi DesignCrie um diagrama conceitual do método TFM-Tokenizer, em formato horizontal 16:9, ilustrando como EEG de canal único é convertido em tokens discretos de tempo-frequência e fornecido a um Transformer. Título: "TFM-Tokenizer: discretização tempo-frequência de EEG | Exemplo conceitual". A forma de onda de EEG passa sequencialmente por STFT e criação de patches sobrepostos; a entrada mascarada no tempo segue para o Codificador temporal, a entrada mascarada por banda de frequência segue para o Codificador de janela espectral localizada, e os dois ramos se unem na Agregação de patches controlada; em seguida, ocorre a Quantização para formar o Vocabulário de tokens e os tokens de EEG, com a Reconstrução mascarada restaurando o espectrograma; no lado direito, mostre tokens de EEG aprendidos → Mascaramento → Codificador Transformer → Cabeça de predição de tokens → Predição de tokens mascarados. Use roxo para o espectro, azul para o caminho temporal, laranja para o vocabulário e os tokens, hachura cinza para o mascaramento, sobre fundo branco com setas claras e caixas de módulos. Mantenha as observações qualitativas de que o método é independente de modelo e adaptável a modelos de base e configurações multicanais.
Você também pode gostar
Chegam 36 novos títulos. Dois anos depois, restam apenas 6.
Um infográfico de jornalismo de dados que acompanha como os 36 novos títulos de uma livraria independente diminuem para seis ao longo de dois anos.
Pôster de Estudo Tipográfico Pós-imagem — Velorin Edição 04
Um PÓS-IMAGEM condensado em itálico e com efeito fantasma, FORMA/EM MOVIMENTO em preto e azul vivo, um retângulo verde com textura riso e uma faixa azul-celeste; uma escala indica X 07.40, Y 22.18, Z 11.63.