Fugu-MT 論文翻訳(概要): Ensemble emotion recognizing with multiple modal physiological signals

論文の概要: Ensemble emotion recognizing with multiple modal physiological signals

arxiv url: http://arxiv.org/abs/2001.00191v1
Date: Wed, 1 Jan 2020 11:44:43 GMT
ステータス: 処理完了
システム内更新日: 2023-01-16 09:19:40.164686
Title: Ensemble emotion recognizing with multiple modal physiological signals
Title（参考訳）: マルチモーダル生理的信号によるアンサンブル感情認識
Authors: Jing Zhang, Yong Zhang, Suhua Zhan, Cheng Cheng
Abstract要約: 異なる感情に対する複数のモーダル生理的信号を用いた感情分類モデルを提案する。 DEAPデータセットのベンチマークで実験を行う。 4段階のタスクでは、平均的な分類精度は90.74であり、安定性がよい。
参考スコア（独自算出の注目度）: 9.406420908566517
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Physiological signals that provide the objective repression of human affective states are attracted increasing attention in the emotion recognition field. However, the single signal is difficult to obtain completely and accurately description for emotion. Multiple physiological signals fusing models, building the uniform classification model by means of consistent and complementary information from different emotions to improve recognition performance. Original fusing models usually choose the particular classification method to recognition, which is ignoring different distribution of multiple signals. Aiming above problems, in this work, we propose an emotion classification model through multiple modal physiological signals for different emotions. Features are extracted from EEG, EMG, EOG signals for characterizing emotional state on valence and arousal levels. For characterization, four bands filtering theta, beta, alpha, gamma for signal preprocessing are adopted and three Hjorth parameters are computing as features. To improve classification performance, an ensemble classifier is built. Experiments are conducted on the benchmark DEAP datasets. For the two-class task, the best result on arousal is 94.42\%, the best result on valence is 94.02\%, respectively. For the four-class task, the highest average classification accuracy is 90.74, and it shows good stability. The influence of different peripheral physiological signals for results is also analyzed in this paper.
Abstract（参考訳）: ヒトの感情状態の客観的な抑制を提供する生理的シグナルは、感情認識の分野で注目される。しかし,単一信号は感情の完全かつ正確な記述を得ることは困難である。複数の生理的信号がモデルに融合し、異なる感情から一貫した相補的な情報を用いて一様分類モデルを構築し、認識性能を向上させる。オリジナルのfusingモデルは通常、複数の信号の異なる分布を無視する認識のための特定の分類方法を選択する。そこで本研究では,様々な感情に対する複数の様相生理的信号を用いた感情分類モデルを提案する。脳波、EMG、EOG信号から、原子価と覚醒レベルの感情状態を特徴付ける特徴を抽出する。キャラクタリゼーションのために、信号前処理のための4つのバンド、ベータ、アルファ、ガンマをフィルタリングし、3つのHjorthパラメータを特徴として計算する。分類性能を向上させるため、アンサンブル分類器を構築する。 DEAPデータセットのベンチマークで実験を行う。 2クラスタスクの場合、 arousal の最高値は 94.42\% であり、valence の最高値は 94.02\% である。 4段階のタスクでは、平均的な分類精度は90.74であり、安定性がよい。各種末梢生理信号が結果に及ぼす影響についても検討した。

関連論文リスト

PHemoNet: A Multimodal Network for Physiological Signals [9.54382727022316]
生理的信号からのマルチモーダル感情認識のための完全超複雑ネットワークであるPHemoNetを紹介する。アーキテクチャは、モダリティ特異的エンコーダと融合モジュールとから構成される。提案手法は,MAHNOB-HCIデータセットの最先端モデルより優れている。
論文参考訳（メタデータ） (2024-09-13T21:14:27Z)
Decoding Human Emotions: Analyzing Multi-Channel EEG Data using LSTM Networks [0.0]
本研究では、Long Short-Term Memory (LSTM) ネットワークを用いて脳波信号を解析することにより、感情状態分類の予測精度を向上することを目的とする。 DEAPとして知られる多チャンネル脳波記録の一般的なデータセットを用いて、LSTMネットワークの特性を活用して、脳波信号データ内の時間的依存関係を処理する。感情認識モデルの能力は, それぞれ89.89%, 90.33%, 90.70%, 90.54%であった。
論文参考訳（メタデータ） (2024-08-19T18:10:47Z)
Decision Forest Based EMG Signal Classification with Low Volume Dataset Augmented with Random Variance Gaussian Noise [51.76329821186873]
我々は6種類の手振りを限定的なサンプル数で分類できるモデルを作成し、より広い聴衆によく一般化する。信号のランダムなバウンドの使用など、より基本的な手法のセットにアピールするが、これらの手法がオンライン環境で持てる力を示したいと考えている。
論文参考訳（メタデータ） (2022-06-29T23:22:18Z)
Multiple Time Series Fusion Based on LSTM An Application to CAP A Phase Classification Using EEG [56.155331323304]
本研究では,深層学習に基づく脳波チャンネルの特徴レベル融合を行う。チャネル選択,融合,分類手順を2つの最適化アルゴリズムで最適化した。
論文参考訳（メタデータ） (2021-12-18T14:17:49Z)
Contrastive Learning of Subject-Invariant EEG Representations for Cross-Subject Emotion Recognition [9.07006689672858]
本稿では、信頼度の高いクロスオブジェクト感情認識のためのISAのためのコントラスト学習法を提案する。 ISAは、異なる刺激に対して同じ刺激を受けた被験者間での脳波信号の類似性を最大化する。脳波信号から物体間表現を学習するために,深部空間畳み込み層と時間畳み込み層を有する畳み込みニューラルネットワークを適用した。
論文参考訳（メタデータ） (2021-09-20T14:13:45Z)
EEG-based Cross-Subject Driver Drowsiness Recognition with an Interpretable Convolutional Neural Network [0.0]
我々は,新しい畳み込みニューラルネットワークと解釈手法を組み合わせることで,分類の重要な特徴のサンプルワイズ分析を可能にする。その結果,11名の被験者に対して平均78.35%の精度が得られた。
論文参考訳（メタデータ） (2021-05-30T14:47:20Z)
Discriminative Singular Spectrum Classifier with Applications on Bioacoustic Signal Recognition [67.4171845020675]
分析や分類に有用な特徴を効率的に抽出する識別機構を備えた生体音響信号分類器を提案する。タスク指向の現在のバイオ音響認識法とは異なり、提案モデルは入力信号をベクトル部分空間に変換することに依存する。提案法の有効性は,アヌラン,ミツバチ,蚊の3種の生物音響データを用いて検証した。
論文参考訳（メタデータ） (2021-03-18T11:01:21Z)
Emotion pattern detection on facial videos using functional statistics [62.997667081978825]
顔面筋運動の有意なパターンを抽出する機能的ANOVAに基づく手法を提案する。感情群間の表現に時間的差があるかどうかを関数fテストを用いて判定する。
論文参考訳（メタデータ） (2021-03-01T08:31:08Z)
A Novel Transferability Attention Neural Network Model for EEG Emotion Recognition [51.203579838210885]
脳波感情認識のための伝達型注目ニューラルネットワーク(TANN)を提案する。 TANNは、伝達可能な脳波領域のデータとサンプルを適応的に強調することにより、感情的な識別情報を学習する。これは、複数の脳領域レベル判別器と1つのサンプルレベル判別器の出力を測定することで実現できる。
論文参考訳（メタデータ） (2020-09-21T02:42:30Z)
Video-based Remote Physiological Measurement via Cross-verified Feature Disentangling [121.50704279659253]
非生理的表現と生理的特徴を混同するための横断的特徴分離戦略を提案する。次に, 蒸留された生理特性を用いて, 頑健なマルチタスク生理測定を行った。歪んだ特徴は、最終的に平均HR値やr信号のような複数の生理的信号の合同予測に使用される。
論文参考訳（メタデータ） (2020-07-16T09:39:17Z)
Investigating EEG-Based Functional Connectivity Patterns for Multimodal Emotion Recognition [8.356765961526955]
本稿では, 強度, クラスタリング, 係数, 固有ベクトル中心性という3つの機能接続ネットワーク特性について検討する。感情認識における脳波接続機能の識別能力は,3つの公開脳波データセットで評価される。脳波の機能的接続特徴と眼球運動や生理的信号の特徴を組み合わせたマルチモーダル感情認識モデルを構築した。
論文参考訳（メタデータ） (2020-04-04T16:51:56Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。