TFM-Tokenizer · Токенизация ЭЭГ

Преобразование одноканальной ЭЭГ в дискретные токены во временно-частотном представлении для трансформера.

Начать с этого запроса

Преобразование одноканальной ЭЭГ в дискретные токены во временно-частотном представлении для трансформера.

Создай концептуальную схему метода TFM-Tokenizer в альбомной ориентации 16:9, показывающую, как одноканальная ЭЭГ преобразуется в дискретные токены во временно-частотном представлении и подаётся в трансформер.

Заголовок: "TFM-Tokenizer: дискретизация ЭЭГ во временно-частотном представлении | Концептуальный пример".

Сигнал ЭЭГ последовательно проходит через STFT и разбиение на перекрывающиеся патчи; входные данные с маскировкой по времени поступают в временной кодировщик, а данные с маскировкой частотных полос — в кодировщик локализованных спектральных окон, после чего две ветви объединяются в модуле агрегирования патчей с гейтингом; затем выполняется квантизация, формирующая словарь токенов и EEG-Tokens, а модуль маскированной реконструкции восстанавливает спектрограмму; справа покажи обученные токены ЭЭГ → маскирование → кодировщик трансформера → модуль предсказания токенов → предсказание маскированных токенов.

Используй фиолетовый цвет для спектра, синий — для временной ветви, оранжевый — для словаря и токенов, серую штриховку — для маскирования; фон белый, со стрелками и блоками модулей.

Сохрани качественные примечания о том, что метод не зависит от модели и адаптируется к базовым моделям и многоканальным настройкам.

Добавить подпись о функции потерь

Добавляет к ветви маскированной реконструкции подпись с её функцией потерь, не меняя остальную часть конвейера.

Попробовать Kimi Design

Создай концептуальную схему метода TFM-Tokenizer в альбомной ориентации 16:9, показывающую, как одноканальная ЭЭГ преобразуется в дискретные токены во временно-частотном представлении и подаётся в трансформер.

Заголовок: "TFM-Tokenizer: дискретизация ЭЭГ во временно-частотном представлении | Концептуальный пример".

Сигнал ЭЭГ последовательно проходит через STFT и разбиение на перекрывающиеся патчи; входные данные с маскировкой по времени поступают в временной кодировщик, а данные с маскировкой частотных полос — в кодировщик локализованных спектральных окон, после чего две ветви объединяются в модуле агрегирования патчей с гейтингом; затем выполняется квантизация, формирующая словарь токенов и EEG-Tokens, а модуль маскированной реконструкции восстанавливает спектрограмму; справа покажи обученные токены ЭЭГ → маскирование → кодировщик трансформера → модуль предсказания токенов → предсказание маскированных токенов.

Используй фиолетовый цвет для спектра, синий — для временной ветви, оранжевый — для словаря и токенов, серую штриховку — для маскирования; фон белый, со стрелками и блоками модулей.

Сохрани качественные примечания о том, что метод не зависит от модели и адаптируется к базовым моделям и многоканальным настройкам.

Сменить палитру

Меняет цвета спектра, временной ветви и токенов на индиго, бирюзовый и вермилион, не изменяя структуру.

Попробовать Kimi Design

Создай концептуальную схему метода TFM-Tokenizer в альбомной ориентации 16:9, показывающую, как одноканальная ЭЭГ преобразуется в дискретные токены во временно-частотном представлении и подаётся в трансформер.

Заголовок: "TFM-Tokenizer: дискретизация ЭЭГ во временно-частотном представлении | Концептуальный пример".

Сигнал ЭЭГ последовательно проходит через STFT и разбиение на перекрывающиеся патчи; входные данные с маскировкой по времени поступают в временной кодировщик, а данные с маскировкой частотных полос — в кодировщик локализованных спектральных окон, после чего две ветви объединяются в модуле агрегирования патчей с гейтингом; затем выполняется квантизация, формирующая словарь токенов и EEG-Tokens, а модуль маскированной реконструкции восстанавливает спектрограмму; справа покажи обученные токены ЭЭГ → маскирование → кодировщик трансформера → модуль предсказания токенов → предсказание маскированных токенов.

Используй фиолетовый цвет для спектра, синий — для временной ветви, оранжевый — для словаря и токенов, серую штриховку — для маскирования; фон белый, со стрелками и блоками модулей.

Сохрани качественные примечания о том, что метод не зависит от модели и адаптируется к базовым моделям и многоканальным настройкам.

Добавить многоканальный эскиз

Добавляет небольшой эскиз многоканального расширения рядом с качественными примечаниями.

Попробовать Kimi Design

Создай концептуальную схему метода TFM-Tokenizer в альбомной ориентации 16:9, показывающую, как одноканальная ЭЭГ преобразуется в дискретные токены во временно-частотном представлении и подаётся в трансформер.

Заголовок: "TFM-Tokenizer: дискретизация ЭЭГ во временно-частотном представлении | Концептуальный пример".

Сигнал ЭЭГ последовательно проходит через STFT и разбиение на перекрывающиеся патчи; входные данные с маскировкой по времени поступают в временной кодировщик, а данные с маскировкой частотных полос — в кодировщик локализованных спектральных окон, после чего две ветви объединяются в модуле агрегирования патчей с гейтингом; затем выполняется квантизация, формирующая словарь токенов и EEG-Tokens, а модуль маскированной реконструкции восстанавливает спектрограмму; справа покажи обученные токены ЭЭГ → маскирование → кодировщик трансформера → модуль предсказания токенов → предсказание маскированных токенов.

Используй фиолетовый цвет для спектра, синий — для временной ветви, оранжевый — для словаря и токенов, серую штриховку — для маскирования; фон белый, со стрелками и блоками модулей.

Сохрани качественные примечания о том, что метод не зависит от модели и адаптируется к базовым моделям и многоканальным настройкам.