論文の概要: Emotional EEG Classification using Connectivity Features and
Convolutional Neural Networks
- arxiv url: http://arxiv.org/abs/2101.07069v1
- Date: Mon, 18 Jan 2021 13:28:08 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-27 05:49:53.462861
- Title: Emotional EEG Classification using Connectivity Features and
Convolutional Neural Networks
- Title（参考訳）: 接続特徴と畳み込みニューラルネットワークを用いた感情脳波分類
- Authors: Seong-Eun Moon, Chun-Jui Chen, Cho-Jui Hsieh, Jane-Ling Wang,
Jong-Seok Lee
- Abstract要約: CNNと脳のつながりを利用した新しい分類システムを導入し,その効果を感情映像分類により検証する。
対象映像の感情的特性に関連する脳接続の集中度は分類性能と相関する。
- 参考スコア（独自算出の注目度）: 81.74442855155843
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Convolutional neural networks (CNNs) are widely used to recognize the user's
state through electroencephalography (EEG) signals. In the previous studies,
the EEG signals are usually fed into the CNNs in the form of high-dimensional
raw data. However, this approach makes it difficult to exploit the brain
connectivity information that can be effective in describing the functional
brain network and estimating the perceptual state of the user. We introduce a
new classification system that utilizes brain connectivity with a CNN and
validate its effectiveness via the emotional video classification by using
three different types of connectivity measures. Furthermore, two data-driven
methods to construct the connectivity matrix are proposed to maximize
classification performance. Further analysis reveals that the level of
concentration of the brain connectivity related to the emotional property of
the target video is correlated with classification performance.
- Abstract（参考訳）: 畳み込みニューラルネットワーク(CNN)は脳波(EEG)信号を通じてユーザの状態を認識するために広く用いられている。
前回の研究では、脳波信号は通常、高次元の生データによってcnnに供給される。
しかし,本手法では,機能的脳ネットワークを記述し,ユーザの知覚状態を推定する上で有効な脳接続情報の活用が困難である。
我々は,脳とCNNの接続を利用した新しい分類システムを導入し,その効果を3種類の接続手段を用いて感情映像分類によって検証する。
さらに,連結行列を構成するための2つのデータ駆動手法を提案し,分類性能を最大化する。
さらに分析した結果,対象映像の感情特性に関連する脳接続の濃度が分類性能と相関していることが判明した。
関連論文リスト
- D-CoRP: Differentiable Connectivity Refinement for Functional Brain Networks [4.675640373196467]
脳ネットワークの既存のモデルは、通常、脳の領域に焦点を当てたり、脳の結合性の複雑さを見落としたりする。
我々は脳の接続性を改善するための識別可能なモジュールを開発した。
実験の結果,提案手法は様々なベースラインモデルの性能を大幅に向上させることができることがわかった。
論文 参考訳（メタデータ） (2024-05-28T23:49:52Z) - Perturbing a Neural Network to Infer Effective Connectivity: Evidence
from Synthetic EEG Data [0.7829352305480285]
ニューラルネットワークをトレーニングして、過去のデータに基づいて将来の脳波信号を予測し、ネットワークの入力を摂動させ、効果的な接続性を得ました。
CNNとTransformerは3チャンネルと90チャンネルの合成脳波データで最高の性能を示し、古典的なグランガー因果性法よりも優れていた。
論文 参考訳（メタデータ） (2023-07-19T06:14:54Z) - Language Knowledge-Assisted Representation Learning for Skeleton-Based
Action Recognition [71.35205097460124]
人間が他人の行動を理解して認識する方法は、複雑な神経科学の問題である。
LA-GCNは、大規模言語モデル(LLM)知識アシストを用いたグラフ畳み込みネットワークを提案する。
論文 参考訳（メタデータ） (2023-05-21T08:29:16Z) - Brain informed transfer learning for categorizing construction hazards [0.0]
この研究は、市販の脳-コンピュータインターフェースを通じて記録された人間の脳信号から学習することで、機械学習アルゴリズムを改善するためのステップである。
より一般化された視覚認識システムは、この「ループ内の人間」のアプローチに基づいて効果的に開発することができる。
論文 参考訳（メタデータ） (2022-11-17T19:41:04Z) - Functional2Structural: Cross-Modality Brain Networks Representation
Learning [55.24969686433101]
脳ネットワーク上のグラフマイニングは、臨床表現型および神経変性疾患のための新しいバイオマーカーの発見を促進する可能性がある。
本稿では,Deep Signed Brain Networks (DSBN) と呼ばれる新しいグラフ学習フレームワークを提案する。
臨床表現型および神経変性疾患予測の枠組みを,2つの独立した公開データセットを用いて検証した。
論文 参考訳（メタデータ） (2022-05-06T03:45:36Z) - Data-driven emergence of convolutional structure in neural networks [83.4920717252233]
識別タスクを解くニューラルネットワークが、入力から直接畳み込み構造を学習できることを示す。
データモデルを慎重に設計することにより、このパターンの出現は、入力の非ガウス的、高次局所構造によって引き起こされることを示す。
論文 参考訳（メタデータ） (2022-02-01T17:11:13Z) - A Compact and Interpretable Convolutional Neural Network for
Cross-Subject Driver Drowsiness Detection from Single-Channel EEG [4.963467827017178]
本稿では,ドライバの眠気検出のために,複数の被験者間で共有された脳波特徴を検出するための,コンパクトで解釈可能な畳み込みニューラルネットワークを提案する。
その結果,脳波信号の分類では,被験者11名に対して平均73.22%の精度が得られることがわかった。
論文 参考訳（メタデータ） (2021-05-30T14:36:34Z) - 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) - Ventral-Dorsal Neural Networks: Object Detection via Selective Attention [51.79577908317031]
我々はVDNet(Ventral-Dorsal Networks)と呼ばれる新しいフレームワークを提案する。
人間の視覚システムの構造にインスパイアされた我々は「Ventral Network」と「Dorsal Network」の統合を提案する。
実験の結果,提案手法は最先端の物体検出手法よりも優れていることがわかった。
論文 参考訳（メタデータ） (2020-05-15T23:57:36Z) - 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。