TFM-Tokenizer · Tokenização de EEG

Conversão de EEG de canal único em tokens discretos de tempo-frequência para um Transformer.

Comece com este prompt

Conversão de EEG de canal único em tokens discretos de tempo-frequência para um Transformer.

Crie um diagrama conceitual de método do TFM-Tokenizer, em formato paisagem 16:9, ilustrando como o EEG de canal único é convertido em tokens discretos de tempo-frequência e alimentado em um Transformer.

Título: "TFM-Tokenizer: Discretização Tempo-Frequência de EEG | Exemplo Conceitual".

A forma de onda de EEG passa sequencialmente por STFT e Patching sobreposto; a entrada mascarada no tempo segue para o Codificador Temporal, a entrada mascarada por bandas de frequência segue para o Codificador de Janela Espectral Localizada, e os dois ramos se unem na Agregação Patchwise com Gating; em seguida, ocorre a Quantização para formar o Vocabulário de Tokens e os Tokens de EEG, com a Reconstrução Mascarada restaurando o espectrograma; à direita, 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, hachuras cinzas 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 fundacionais e configurações multicanais.

Adicionar anotação de perda

Anota o ramo de Reconstrução Mascarada com sua perda de reconstrução, mantendo o restante do pipeline como está.

Experimente o Kimi Design

Crie um diagrama conceitual de método do TFM-Tokenizer, em formato paisagem 16:9, ilustrando como o EEG de canal único é convertido em tokens discretos de tempo-frequência e alimentado em um Transformer.

Título: "TFM-Tokenizer: Discretização Tempo-Frequência de EEG | Exemplo Conceitual".

A forma de onda de EEG passa sequencialmente por STFT e Patching sobreposto; a entrada mascarada no tempo segue para o Codificador Temporal, a entrada mascarada por bandas de frequência segue para o Codificador de Janela Espectral Localizada, e os dois ramos se unem na Agregação Patchwise com Gating; em seguida, ocorre a Quantização para formar o Vocabulário de Tokens e os Tokens de EEG, com a Reconstrução Mascarada restaurando o espectrograma; à direita, 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, hachuras cinzas 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 fundacionais e configurações multicanais.

Trocar paleta

Altera as cores do espectro, do caminho temporal e dos tokens para índigo, verde-azulado e vermelho-vermilhão, sem mudar a estrutura.

Experimente o Kimi Design

Crie um diagrama conceitual de método do TFM-Tokenizer, em formato paisagem 16:9, ilustrando como o EEG de canal único é convertido em tokens discretos de tempo-frequência e alimentado em um Transformer.

Título: "TFM-Tokenizer: Discretização Tempo-Frequência de EEG | Exemplo Conceitual".

A forma de onda de EEG passa sequencialmente por STFT e Patching sobreposto; a entrada mascarada no tempo segue para o Codificador Temporal, a entrada mascarada por bandas de frequência segue para o Codificador de Janela Espectral Localizada, e os dois ramos se unem na Agregação Patchwise com Gating; em seguida, ocorre a Quantização para formar o Vocabulário de Tokens e os Tokens de EEG, com a Reconstrução Mascarada restaurando o espectrograma; à direita, 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, hachuras cinzas 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 fundacionais e configurações multicanais.

Adicionar esboço multicanal

Adiciona um pequeno esboço da extensão multicanal ao lado das observações qualitativas.

Experimente o Kimi Design

Crie um diagrama conceitual de método do TFM-Tokenizer, em formato paisagem 16:9, ilustrando como o EEG de canal único é convertido em tokens discretos de tempo-frequência e alimentado em um Transformer.

Título: "TFM-Tokenizer: Discretização Tempo-Frequência de EEG | Exemplo Conceitual".

A forma de onda de EEG passa sequencialmente por STFT e Patching sobreposto; a entrada mascarada no tempo segue para o Codificador Temporal, a entrada mascarada por bandas de frequência segue para o Codificador de Janela Espectral Localizada, e os dois ramos se unem na Agregação Patchwise com Gating; em seguida, ocorre a Quantização para formar o Vocabulário de Tokens e os Tokens de EEG, com a Reconstrução Mascarada restaurando o espectrograma; à direita, 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, hachuras cinzas 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 fundacionais e configurações multicanais.