論文の概要: Data Augmentation for Enhancing EEG-based Emotion Recognition with Deep
Generative Models
- arxiv url: http://arxiv.org/abs/2006.05331v2
- Date: Wed, 17 Jun 2020 08:09:40 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-25 12:48:28.166823
- Title: Data Augmentation for Enhancing EEG-based Emotion Recognition with Deep
Generative Models
- Title(参考訳): 深部生成モデルを用いた脳波に基づく感情認識のためのデータ強化
- Authors: Yun Luo and Li-Zhen Zhu and Zi-Yu Wan and Bao-Liang Lu
- Abstract要約: 本稿では、感情認識モデルの性能を高めるために、脳波トレーニングデータを増強する3つの方法を提案する。
フル利用戦略では、生成されたすべてのデータが、生成されたデータの品質を判断することなく、トレーニングデータセットに拡張される。
実験結果から,脳波を用いた感情認識モデルの性能向上を図った。
- 参考スコア(独自算出の注目度): 13.56090099952884
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The data scarcity problem in emotion recognition from electroencephalography
(EEG) leads to difficulty in building an affective model with high accuracy
using machine learning algorithms or deep neural networks. Inspired by emerging
deep generative models, we propose three methods for augmenting EEG training
data to enhance the performance of emotion recognition models. Our proposed
methods are based on two deep generative models, variational autoencoder (VAE)
and generative adversarial network (GAN), and two data augmentation strategies.
For the full usage strategy, all of the generated data are augmented to the
training dataset without judging the quality of the generated data, while for
partial usage, only high-quality data are selected and appended to the training
dataset. These three methods are called conditional Wasserstein GAN (cWGAN),
selective VAE (sVAE), and selective WGAN (sWGAN). To evaluate the effectiveness
of these methods, we perform a systematic experimental study on two public EEG
datasets for emotion recognition, namely, SEED and DEAP. We first generate
realistic-like EEG training data in two forms: power spectral density and
differential entropy. Then, we augment the original training datasets with a
different number of generated realistic-like EEG data. Finally, we train
support vector machines and deep neural networks with shortcut layers to build
affective models using the original and augmented training datasets. The
experimental results demonstrate that the augmented training datasets produced
by our methods enhance the performance of EEG-based emotion recognition models
and outperform the existing data augmentation methods such as conditional VAE,
Gaussian noise, and rotational data augmentation.
- Abstract(参考訳): 脳波(EEG)からの感情認識におけるデータ不足は、機械学習アルゴリズムやディープニューラルネットワークを用いて高精度な感情モデルを構築するのに困難をもたらす。
本研究では,感情認識モデルの性能を向上させるために,脳波訓練データの強化を行う3つの手法を提案する。
提案手法は,2つの深層生成モデル,変分オートエンコーダ (VAE) とGAN (Generative Adversarial Network) と2つのデータ拡張戦略に基づく。
フル使用戦略では、生成されたデータはすべて、生成されたデータの品質を判断することなくトレーニングデータセットに拡張され、部分使用では、高品質のデータのみを選択してトレーニングデータセットに追加する。
これら3つの方法は条件付きワッサースタイン GAN (cWGAN)、選択的VAE (sVAE)、選択的WGAN (sWGAN) と呼ばれる。
これらの方法の有効性を評価するために,感情認識のための2つの公開脳波データセット,すなわち種子と脱毛に関する体系的な実験を行った。
まず, パワースペクトル密度と微分エントロピーの2つの形態で, 現実的脳波訓練データを生成する。
次に、生成された現実的な脳波データが異なる数のトレーニングデータセットを拡張します。
最後に,サポートベクターマシンとディープニューラルネットワークをショートカットレイヤでトレーニングし,オリジナルおよび拡張トレーニングデータセットを使用して感情モデルを構築する。
実験の結果,本手法によって生成された拡張学習データセットは脳波に基づく感情認識モデルの性能を高め,条件vae,ガウス雑音,回転データ拡張といった既存のデータ拡張手法を上回った。
関連論文リスト
- Generative AI for Data Augmentation in Wireless Networks: Analysis, Applications, and Case Study [59.780800481241066]
Generative Artificial Intelligence (GenAI) は、無線データ拡張の効果的な代替手段である。
本稿では、無線ネットワークにおけるGenAI駆動型データ拡張の可能性と有効性について考察する。
本稿では,Wi-Fiジェスチャー認識のための一般化拡散モデルに基づくデータ拡張フレームワークを提案する。
論文 参考訳(メタデータ) (2024-11-13T05:15:25Z) - Dataset Refinement for Improving the Generalization Ability of the EEG Decoding Model [2.9972387721489655]
脳波データセットからノイズの多いデータを除去するデータセット改良アルゴリズムを提案する。
提案したアルゴリズムは、元のデータセットよりも優れた一般化性能を実現している。
脳波領域における深層学習モデルの一般化性能を効果的に向上させることができると結論付けた。
論文 参考訳(メタデータ) (2024-10-31T05:08:24Z) - Enhancing EEG Signal Generation through a Hybrid Approach Integrating Reinforcement Learning and Diffusion Models [6.102274021710727]
本研究では、拡散モデルと強化学習を統合することにより、脳波(EEG)信号の合成に革新的なアプローチを導入する。
提案手法は, 時間的・スペクトル的特徴の詳細な脳波信号の生成を促進させ, 合成データセットの信頼性と多様性を向上する。
論文 参考訳(メタデータ) (2024-09-14T07:22:31Z) - DetDiffusion: Synergizing Generative and Perceptive Models for Enhanced Data Generation and Perception [78.26734070960886]
現在の知覚モデルは、リソース集約的なデータセットに大きく依存している。
セグメンテーションを通じて知覚認識損失(P.A.損失)を導入し、品質と制御性の両方を改善した。
本手法は,世代間における知覚認識属性(P.A. Attr)の抽出と利用により,データ拡張をカスタマイズする。
論文 参考訳(メタデータ) (2024-03-20T04:58:03Z) - Diffusion-Based Neural Network Weights Generation [80.89706112736353]
D2NWGは拡散に基づくニューラルネットワーク重み生成技術であり、転送学習のために高性能な重みを効率よく生成する。
本稿では,ニューラルネットワーク重み生成のための遅延拡散パラダイムを再放送するために,生成的ハイパー表現学習を拡張した。
我々のアプローチは大規模言語モデル(LLM)のような大規模アーキテクチャにスケーラブルであり、現在のパラメータ生成技術の限界を克服しています。
論文 参考訳(メタデータ) (2024-02-28T08:34:23Z) - hvEEGNet: exploiting hierarchical VAEs on EEG data for neuroscience
applications [3.031375888004876]
脳波の既存のDLベースのモデリング手法に2つの課題がある。
被験者間の高いばらつきと低信号対雑音比は、脳波データの良好な品質を確保するのを困難にしている。
本稿では,高忠実度脳波再構成問題を対象とした2つの変分オートエンコーダモデル,すなわちvEEGNet-ver3とhvEEGNetを提案する。
論文 参考訳(メタデータ) (2023-11-20T15:36:31Z) - DGSD: Dynamical Graph Self-Distillation for EEG-Based Auditory Spatial
Attention Detection [49.196182908826565]
AAD(Auditory Attention Detection)は、マルチスピーカー環境で脳信号からターゲット話者を検出することを目的としている。
現在のアプローチは主に、画像のようなユークリッドデータを処理するために設計された従来の畳み込みニューラルネットワークに依存している。
本稿では、入力として音声刺激を必要としないAADのための動的グラフ自己蒸留(DGSD)手法を提案する。
論文 参考訳(メタデータ) (2023-09-07T13:43:46Z) - 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) - Data augmentation for learning predictive models on EEG: a systematic
comparison [79.84079335042456]
脳波(EEG)分類タスクの深層学習は、ここ数年急速に増加している。
EEG分類タスクのディープラーニングは、比較的小さなEEGデータセットによって制限されている。
データ拡張は、コンピュータビジョンや音声などのアプリケーションにまたがる最先端のパフォーマンスを得るために重要な要素となっている。
論文 参考訳(メタデータ) (2022-06-29T09:18:15Z) - Towards physiology-informed data augmentation for EEG-based BCIs [24.15108821320151]
本稿では,手元に設定したデータから新たなデータを生成することにより,トレーニングデータを増強する新しい手法を提案する。
本書では,本手法を解説し,参加者非依存型運動画像分類のための第1次予備結果を示す。
論文 参考訳(メタデータ) (2022-03-27T20:59:40Z) - GANSER: A Self-supervised Data Augmentation Framework for EEG-based
Emotion Recognition [15.812231441367022]
本稿では,GANSER(Generative Adversarial Network-based Self-supervised Data Augmentation)という新しいデータ拡張フレームワークを提案する。
脳波に基づく感情認識のための自己教師型学習と対人訓練を併用する最初の試みとして、提案フレームワークは高品質な模擬脳波サンプルを生成することができる。
変換関数は、脳波信号の一部を隠蔽し、生成元に残りの部分に基づいて潜在的な脳波信号を合成させる。
論文 参考訳(メタデータ) (2021-09-07T14:42:55Z)
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。