論文の概要: Cross-individual Recognition of Emotions by a Dynamic Entropy based on
Pattern Learning with EEG features
- arxiv url: http://arxiv.org/abs/2009.12525v2
- Date: Tue, 25 May 2021 08:03:28 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-14 09:10:55.296052
- Title: Cross-individual Recognition of Emotions by a Dynamic Entropy based on
Pattern Learning with EEG features
- Title（参考訳）: 脳波特徴を用いたパターン学習に基づく動的エントロピーによる感情の個人間認識
- Authors: Xiaolong Zhong and Zhong Yin
- Abstract要約: 複数の個体の神経生理学的特徴に関連する情報的指標を抽象化するために,動的エントロピーに基づくパターン学習(DEPL)として表されるディープラーニングフレームワークを提案する。
DEPLは、ダイナミックエントロピーに基づく特徴の皮質位置間の相互依存性をモデル化することにより、ディープ畳み込みニューラルネットワークによって生成された表現の能力を向上した。
- 参考スコア（独自算出の注目度）: 2.863100352151122
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Use of the electroencephalogram (EEG) and machine learning approaches to
recognize emotions can facilitate affective human computer interactions.
However, the type of EEG data constitutes an obstacle for cross-individual EEG
feature modelling and classification. To address this issue, we propose a
deep-learning framework denoted as a dynamic entropy-based pattern learning
(DEPL) to abstract informative indicators pertaining to the neurophysiological
features among multiple individuals. DEPL enhanced the capability of
representations generated by a deep convolutional neural network by modelling
the interdependencies between the cortical locations of dynamical entropy based
features. The effectiveness of the DEPL has been validated with two public
databases, commonly referred to as the DEAP and MAHNOB-HCI multimodal tagging
databases. Specifically, the leave one subject out training and testing
paradigm has been applied. Numerous experiments on EEG emotion recognition
demonstrate that the proposed DEPL is superior to those traditional machine
learning (ML) methods, and could learn between electrode dependencies w.r.t.
different emotions, which is meaningful for developing the effective
human-computer interaction systems by adapting to human emotions in the real
world applications.
- Abstract（参考訳）: 感情を認識するための脳波(EEG)と機械学習のアプローチは、人間のコンピュータの感情的相互作用を促進する。
しかしながら、脳波データの種類は、横断的な脳波特徴モデリングと分類の障害を構成する。
本稿では,複数個体間の神経生理学的特徴に関する情報的指標を抽象化する,動的エントロピーに基づくパターン学習(depl)と呼ばれるディープラーニングフレームワークを提案する。
deplは、動的エントロピーに基づく特徴の皮質位置間の相互依存性をモデル化することにより、深層畳み込みニューラルネットワークによって生成される表現の能力を強化した。
DEPLの有効性は、一般にDEAPとMAHNOB-HCIマルチモーダルタグデータベースと呼ばれる2つのパブリックデータベースで検証されている。
具体的には、remove one subject out training and testingのパラダイムが適用されています。
脳波の感情認識に関する多くの実験は、提案されたDEPLが従来の機械学習(ML)手法よりも優れていることを示し、電極依存者(w.r.t. 異なる感情)間で学習できることを示しており、これは現実世界の応用において人間の感情に適応することで、効果的な人間とコンピュータの相互作用システムの開発に意義がある。
関連論文リスト
- Multi-modal Mood Reader: Pre-trained Model Empowers Cross-Subject Emotion Recognition [23.505616142198487]
我々は、クロスオブジェクト感情認識のための訓練済みモデルに基づくMultimodal Mood Readerを開発した。
このモデルは、大規模データセットの事前学習を通じて、脳波信号の普遍的な潜在表現を学習する。
公開データセットに関する大規模な実験は、クロスオブジェクト感情認識タスクにおけるMood Readerの優れたパフォーマンスを示している。
論文 参考訳（メタデータ） (2024-05-28T14:31:11Z) - Joint Contrastive Learning with Feature Alignment for Cross-Corpus EEG-based Emotion Recognition [2.1645626994550664]
我々は,クロスコーパス脳波に基づく感情認識に対処するために,特徴アライメントを用いた新しいコントラスト学習フレームワークを提案する。
事前学習段階では、脳波信号の一般化可能な時間周波数表現を特徴付けるために、共同領域コントラスト学習戦略を導入する。
微調整の段階では、JCFAは脳電極間の構造的接続を考慮した下流タスクと共に洗練される。
論文 参考訳（メタデータ） (2024-04-15T08:21:17Z) - A Knowledge-Driven Cross-view Contrastive Learning for EEG
Representation [48.85731427874065]
本稿では,限られたラベルを持つ脳波から効果的な表現を抽出する知識駆動型クロスビューコントラスト学習フレームワーク(KDC2)を提案する。
KDC2法は脳波信号の頭皮と神経のビューを生成し、脳活動の内部および外部の表現をシミュレートする。
ニューラル情報整合性理論に基づく事前のニューラル知識をモデル化することにより、提案手法は不変かつ相補的なニューラル知識を抽出し、複合表現を生成する。
論文 参考訳（メタデータ） (2023-09-21T08:53:51Z) - Emotion recognition based on multi-modal electrophysiology multi-head
attention Contrastive Learning [3.2536246345549538]
自己教師型コントラスト学習に基づくマルチモーダル感情認識手法ME-MHACLを提案する。
訓練された特徴抽出器をラベル付き電気生理学的信号に適用し、特徴融合に多頭部注意機構を用いる。
本手法は,感情認識タスクにおける既存のベンチマーク手法よりも優れ,個人間一般化能力に優れていた。
論文 参考訳（メタデータ） (2023-07-12T05:55:40Z) - A Hierarchical Regression Chain Framework for Affective Vocal Burst
Recognition [72.36055502078193]
本稿では,声帯からの感情認識のための連鎖回帰モデルに基づく階層的枠組みを提案する。
データスパシティの課題に対処するため、レイヤワイドおよび時間アグリゲーションモジュールを備えた自己教師付き学習(SSL)表現も使用しています。
提案されたシステムは、ACII Affective Vocal Burst (A-VB) Challenge 2022に参加し、「TWO」および「CULTURE」タスクで第1位となった。
論文 参考訳（メタデータ） (2023-03-14T16:08:45Z) - fMRI from EEG is only Deep Learning away: the use of interpretable DL to
unravel EEG-fMRI relationships [68.8204255655161]
多チャンネル脳波データからいくつかの皮質下領域の活性を回復するための解釈可能な領域基底解を提案する。
我々は,皮質下核の血行動態信号の頭皮脳波予測の空間的・時間的パターンを復元する。
論文 参考訳（メタデータ） (2022-10-23T15:11:37Z) - Locally temporal-spatial pattern learning with graph attention mechanism
for EEG-based emotion recognition [4.331986787747648]
感情認識技術により、コンピュータは人間の感情状態を個別のカテゴリーに分類することができる。
感情は短時間でも安定した状態を維持する代わりに変動することがある。
また,3次元トポロジー構造のため,脳波空間分布のフル活用も困難である。
論文 参考訳（メタデータ） (2022-08-19T12:15:10Z) - Multimodal Emotion Recognition using Transfer Learning from Speaker
Recognition and BERT-based models [53.31917090073727]
本稿では,音声とテキストのモダリティから,伝達学習モデルと微調整モデルとを融合したニューラルネットワークによる感情認識フレームワークを提案する。
本稿では,対話型感情的モーションキャプチャー・データセットにおけるマルチモーダル・アプローチの有効性を評価する。
論文 参考訳（メタデータ） (2022-02-16T00:23:42Z) - Attentive Cross-modal Connections for Deep Multimodal Wearable-based
Emotion Recognition [7.559720049837459]
本稿では、畳み込みニューラルネットワーク間で情報を共有するための、新しい注意深いクロスモーダル接続を提案する。
具体的には、EDAとECGの中間表現を共有することにより、感情分類を改善する。
実験の結果,提案手法は強いマルチモーダル表現を学習し,多くのベースライン法より優れていることがわかった。
論文 参考訳（メタデータ） (2021-08-04T18:40:32Z) - 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) - Continuous Emotion Recognition via Deep Convolutional Autoencoder and
Support Vector Regressor [70.2226417364135]
マシンはユーザの感情状態を高い精度で認識できることが不可欠である。
ディープニューラルネットワークは感情を認識する上で大きな成功を収めている。
表情認識に基づく連続的感情認識のための新しいモデルを提案する。
論文 参考訳（メタデータ） (2020-01-31T17:47:16Z)
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。