疼痛の認識のための脳活動から軽量トランスフォーマー

arXiv:2604.16491v2 Announce Type: replace Abstract: 疼痛は多面的で広範囲に及ぶ現象であり、その臨床的・社会的負担は甚大であるため、信頼性の高い自動評価は重要な課題である。本稿では、複数の fNIRS（機能近赤外分光計法）表現を統一的なトークン化メカニズムを通じて融合させる軽量トランスフォーマーアーキテクチャを提案する。このアプローチは、補完的な信号ビューの共同モデル化を可能にし、モーダル性固有の適応やアーキテクチャの複雑化を不要とする。提案されるトークンミキシング戦略は、不均一な入力を共有された潜在表現に射影することで、空間的、時間的、そして時周波数特性を保持する。さらに、構造化されたセグメンテーションスキームを用いてローカルな集合とグローバルな相互作用の粒状性を制御する。モデルは fNIRS 入力におけるスタックされた生波形およびパワースペクトル密度表現を使用して AI4Pain データセットで評価された。実験結果は、計算量的にコンパクトであることを保ったまま競争的な疼痛認識性能を示しており、同アプローチが GPU および CPU ハードウェア上でリアルタイム推論に適していることを証明した。

arXiv:2604.16491v2 Announce Type: replace Abstract: Pain is a multifaceted and widespread phenomenon with substantial clinical and societal burden, making reliable automated assessment a critical objective. This paper presents a lightweight transformer architecture that fuses multiple fNIRS representations through a unified tokenization mechanism, enabling joint modeling of complementary signal views without requiring modality-specific adaptations or increasing architectural complexity. The proposed token-mixing strategy preserves spatial, temporal, and time-frequency characteristics by projecting heterogeneous inputs onto a shared latent representation, using a structured segmentation scheme to control the granularity of local aggregation and global interaction. The model is evaluated on the AI4Pain dataset using stacked raw waveform and power spectral density representations of fNIRS inputs. Experimental results demonstrate competitive pain recognition performance while remaining computationally compact, making the approach suitable for real-time inference on both GPU and CPU hardware.