脳活動から痛みを認識する軽量トランスフォーマー

arXiv cs.CV / 2026/4/21

📰 ニュースDeveloper Stack & InfrastructureModels & Research

共有:

要点

本論文では、fNIRS（近赤外分光法）で計測した脳活動を用いた、自動的な痛み認識のための軽量トランスフォーマー・モデルを提案している。
複数のfNIRS信号ビューを、モダリティ固有の対応を不要にしつつ統一的なトークン化で統合し、補完的な信号をまとめて学習できるようにしている。
構造化されたトークン混合（ミキシング）戦略により、空間・時間・時系列周波数特性を保持しながら、局所的な集約と大域的な相互作用の粒度を制御する。
AI4Painデータセットで、生波形とパワースペクトル密度を積み重ねた表現を用いて評価した結果、GPU/CPU上で低計算コストのまま競争力のある痛み認識性能が示された。
より信頼できる痛みの評価を、性能と実装しやすさを両立する形で現実的にすることを目指している。

要旨: 痛みは多面的で広範に見られる現象であり、臨床的および社会的な負担が大きいため、信頼性のある自動評価は重要な目的となっています。本論文では、統一されたトークン化メカニズムを通じて複数のfNIRS表現を融合する、軽量なトランスフォーマー・アーキテクチャを提案します。これにより、モダリティ固有の適応を必要とせず、またアーキテクチャの複雑さを増やすことなく、補完的な信号ビューの共同モデリングを可能にします。提案するトークン混合戦略は、異種の入力を共通の潜在表現へ投影し、局所集約とグローバルな相互作用の粒度を制御するための構造化されたセグメンテーション手法を用いることで、空間的・時間的・時間周波数の特性を保持します。モデルは、fNIRS入力の積層された生波形およびパワースペクトル密度表現を用いて、AI4Painデータセットで評価されます。実験結果は、計算量が小ささを維持しつつ、競争力のある痛み認識性能を示しており、本手法はGPUおよびCPU双方のハードウェア上でのリアルタイム推論に適していることが確認されます。