TFM-Tokenizer · EEG token 化
將單通道 EEG 轉換為供 Transformer 使用的時頻離散 token。
13579 views
建立一張 16:9 橫向的 TFM-Tokenizer 概念方法圖，說明單通道 EEG 如何轉換為時頻離散 token，並輸入至 Transformer。 標題：「TFM-Tokenizer：EEG 時頻離散化｜概念範例」。 EEG 波形依序通過 STFT 與重疊分區；經時間遮罩的輸入進入時域編碼器，經頻帶遮罩的輸入進入局部頻譜視窗編碼器，兩個分支再匯入門控分區聚合；接著進行量化，形成 Token Vocabulary 與 EEG-Tokens，並透過遮罩重建還原頻譜圖；右側顯示已學得的 EEG token → 遮罩 → Transformer 編碼器 → Token 預測頭 → 遮罩 token 預測。 頻譜使用紫色、時域路徑使用藍色、詞彙表與 token 使用橘色、遮罩使用灰色斜線紋理；白色背景搭配清晰箭頭與模組方框。 保留方法不依賴特定模型，且可適用於基礎模型與多通道情境的質性說明。
建立一張 16:9 橫向的 TFM-Tokenizer 概念方法圖，說明單通道 EEG 如何轉換為時頻離散 token，並輸入至 Transformer。 標題：「TFM-Tokenizer：EEG 時頻離散化｜概念範例」。 EEG 波形依序通過 STFT 與重疊分區；經時間遮罩的輸入進入時域編碼器，經頻帶遮罩的輸入進入局部頻譜視窗編碼器，兩個分支再匯入門控分區聚合；接著進行量化，形成 Token Vocabulary 與 EEG-Tokens，並透過遮罩重建還原頻譜圖；右側顯示已學得的 EEG token → 遮罩 → Transformer 編碼器 → Token 預測頭 → 遮罩 token 預測。 頻譜使用紫色、時域路徑使用藍色、詞彙表與 token 使用橘色、遮罩使用灰色斜線紋理；白色背景搭配清晰箭頭與模組方框。 保留方法不依賴特定模型，且可適用於基礎模型與多通道情境的質性說明。
建立一張 16:9 橫向的 TFM-Tokenizer 概念方法圖，說明單通道 EEG 如何轉換為時頻離散 token，並輸入至 Transformer。 標題：「TFM-Tokenizer：EEG 時頻離散化｜概念範例」。 EEG 波形依序通過 STFT 與重疊分區；經時間遮罩的輸入進入時域編碼器，經頻帶遮罩的輸入進入局部頻譜視窗編碼器，兩個分支再匯入門控分區聚合；接著進行量化，形成 Token Vocabulary 與 EEG-Tokens，並透過遮罩重建還原頻譜圖；右側顯示已學得的 EEG token → 遮罩 → Transformer 編碼器 → Token 預測頭 → 遮罩 token 預測。 頻譜使用紫色、時域路徑使用藍色、詞彙表與 token 使用橘色，遮罩使用灰色斜線紋理；白色背景搭配清晰箭頭與模組方框。 保留方法不依賴特定模型，且可適用於基礎模型與多通道情境的質性說明。
建立一張 16:9 橫向的 TFM-Tokenizer 概念方法圖，說明單通道 EEG 如何轉換為時頻離散 token，並輸入至 Transformer。 標題：「TFM-Tokenizer：EEG 時頻離散化｜概念範例」。 EEG 波形依序通過 STFT 與重疊分區；經時間遮罩的輸入進入時域編碼器，經頻帶遮罩的輸入進入局部頻譜視窗編碼器，兩個分支再匯入門控分區聚合；接著進行量化，形成 Token Vocabulary 與 EEG-Tokens，並透過遮罩重建還原頻譜圖；右側顯示已學得的 EEG token → 遮罩 → Transformer 編碼器 → Token 預測頭 → 遮罩 token 預測。 頻譜使用紫色、時域路徑使用藍色、詞彙表與 token 使用橘色、遮罩使用灰色斜線紋理；白色背景搭配清晰箭頭與模組方框。 保留方法不依賴特定模型，且可適用於基礎模型與多通道情境的質性說明。