TFM-Tokenizer · EEG 離散化

單通道 EEG 經 STFT 與分塊處理，時間與頻帶遮罩分兩路編碼，匯入 Gated Patchwise Aggregation 生成 EEG-Tokens。一鍵生成你的方法圖。

從這段提示詞開始

將單通道 EEG 轉為時間—頻率離散 token 並接入 Transformer 的概念方法圖。

加上損失標註

在以 Masked Reconstruction 還原頻譜的分支上標註重建損失，其餘流程不變。

製作一張 16:9 橫式 TFM-Tokenizer 概念方法圖，說明單通道 EEG 如何轉化為時間—頻率離散 token 並接入 Transformer。

標題「TFM-Tokenizer：EEG 時間—頻率離散化｜概念示例」。

EEG 波形依序經過 STFT 和重疊分塊；時間遮罩輸入 Temporal Encoder，頻帶遮罩輸入 Localized Spectral Window Encoder，兩路結果匯入 Gated Patchwise Aggregation；接著經由 Quantization 形成 Token Vocabulary 與 EEG-Tokens，並以 Masked Reconstruction 還原頻譜；右側展示學得的 EEG token → Masking → Transformer Encoder → Token Prediction Head → Masked Token Prediction。

紫色表示頻譜，藍色表示時間路徑，橙色表示詞彙表與 token，灰色斜線表示遮罩，白底搭配清楚的箭頭和模組框。

保留模型無關、適配基礎模型和多通道設定的定性說明。

改為靛青配色

將頻譜、時間路徑、詞彙表與 token 的配色改為靛藍、青色與橙紅色，模組結構不變。

設計一下

製作一張 16:9 橫式 TFM-Tokenizer 概念方法圖，說明單通道 EEG 如何轉化為時間—頻率離散 token 並接入 Transformer。

標題「TFM-Tokenizer：EEG 時間—頻率離散化｜概念示例」。

EEG 波形依序經過 STFT 和重疊分塊；時間遮罩輸入 Temporal Encoder，頻帶遮罩輸入 Localized Spectral Window Encoder，兩路結果匯入 Gated Patchwise Aggregation；接著經由 Quantization 形成 Token Vocabulary 與 EEG-Tokens，並以 Masked Reconstruction 還原頻譜；右側展示學得的 EEG token → Masking → Transformer Encoder → Token Prediction Head → Masked Token Prediction。

紫色表示頻譜，藍色表示時間路徑，橙色表示詞彙表與 token，灰色斜線表示遮罩，白底搭配清楚的箭頭和模組框。

保留模型無關、適配基礎模型和多通道設定的定性說明。

加入多通道示意圖

在定性說明旁補上一個多通道擴展的小示意圖，展示從單通道到多通道的連接方式。

設計一下

製作一張 16:9 橫式 TFM-Tokenizer 概念方法圖，說明單通道 EEG 如何轉化為時間—頻率離散 token 並接入 Transformer。

標題「TFM-Tokenizer：EEG 時間—頻率離散化｜概念示例」。

EEG 波形依序經過 STFT 和重疊分塊；時間遮罩輸入 Temporal Encoder，頻帶遮罩輸入 Localized Spectral Window Encoder，兩路結果匯入 Gated Patchwise Aggregation；接著經由 Quantization 形成 Token Vocabulary 與 EEG-Tokens，並以 Masked Reconstruction 還原頻譜；右側展示學得的 EEG token → Masking → Transformer Encoder → Token Prediction Head → Masked Token Prediction。

紫色表示頻譜，藍色表示時間路徑，橙色表示詞彙表與 token，灰色斜線表示遮罩，白底搭配清楚的箭頭和模組框。

保留模型無關、適配基礎模型和多通道設定的定性說明。