論文の概要: Subject Independent Emotion Recognition using EEG Signals Employing Attention Driven Neural Networks

• arxiv url: http://arxiv.org/abs/2106.03461v3
• Date: Tue, 21 Dec 2021 04:05:02 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-27 09:17:01.848582
• Title: Subject Independent Emotion Recognition using EEG Signals Employing Attention Driven Neural Networks
• Title（参考訳）: 注意駆動ニューラルネットワークを用いた脳波信号を用いた被験者独立感情認識
• Authors: Arjun, Aniket Singh Rajpoot, Mahesh Raveendranatha Panicker
• Abstract要約: 主観非依存の感情認識が可能な新しいディープラーニングフレームワークを提案する。 タスクを実行するために、アテンションフレームワークを備えた畳み込みニューラルネットワーク(CNN)を提示する。 提案手法は、公開データセットを使用して検証されている。
• 参考スコア（独自算出の注目度）: 2.76240219662896
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: In the recent past, deep learning-based approaches have significantly improved the classification accuracy when compared to classical signal processing and machine learning based frameworks. But most of them were subject-dependent studies which were not able to generalize on the subject-independent tasks due to the inter-subject variability present in EEG data. In this work, a novel deep learning framework capable of doing subject-independent emotion recognition is presented, consisting of two parts. First, an unsupervised Long Short-Term Memory (LSTM) with channel-attention autoencoder is proposed for getting a subject-invariant latent vector subspace i.e., intrinsic variables present in the EEG data of each individual. Secondly, a convolutional neural network (CNN) with attention framework is presented for performing the task of subject-independent emotion recognition on the encoded lower dimensional latent space representations obtained from the proposed LSTM with channel-attention autoencoder. With the attention mechanism, the proposed approach could highlight the significant time-segments of the EEG signal, which contributes to the emotion under consideration as validated by the results. The proposed approach has been validated using publicly available datasets for EEG signals such as DEAP dataset, SEED dataset and CHB-MIT dataset. The proposed end-to-end deep learning framework removes the requirement of different hand engineered features and provides a single comprehensive task agnostic EEG analysis tool capable of performing various kinds of EEG analysis on subject independent data.
• Abstract（参考訳）: 近年、ディープラーニングベースのアプローチは、従来の信号処理や機械学習ベースのフレームワークと比較して、分類精度が大幅に向上している。 しかし、その多くは脳波データに存在するサブジェクト間変動性のため、サブジェクト非依存のタスクを一般化できなかったサブジェクト依存研究であった。 本研究では,2つの部分から構成される,主観非依存の感情認識が可能な新しいディープラーニングフレームワークを提案する。 まず、各個人の脳波データに存在する内在変数を主観不変な潜在ベクトル部分空間を得るために、チャネルアテンションオートエンコーダを備えた教師なし長期短期記憶(lstm)を提案する。 第2に、チャネルアテンションオートエンコーダを用いたLSTMから得られた符号化された低次元潜在空間表現に対して、主観非依存の感情認識を行うためのアテンション・フレームワーク付き畳み込みニューラルネットワーク(CNN)を提案する。 注意機構により、提案手法は脳波信号の時間的意義を強調し、その結果によって検証された感情に寄与する可能性がある。 提案手法は、DEAPデータセット、SEEDデータセット、CHB-MITデータセットなどのEEG信号の公開データセットを用いて検証されている。 提案するエンド・ツー・エンドのディープラーニングフレームワークは、異なる手作業による特徴の要求を排除し、対象データに対して様々な種類の脳波分析を行うことができる単一の包括的タスク非依存型脳波解析ツールを提供する。

関連論文リスト

• 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)
• Physics-informed and Unsupervised Riemannian Domain Adaptation for Machine Learning on Heterogeneous EEG Datasets [53.367212596352324]
  脳波信号物理を利用した教師なし手法を提案する。 脳波チャンネルをフィールド、ソースフリーなドメイン適応を用いて固定位置にマッピングする。 提案手法は脳-コンピュータインタフェース(BCI)タスクおよび潜在的なバイオマーカー応用におけるロバストな性能を示す。
  論文  参考訳（メタデータ） (2024-03-07T16:17:33Z)
• Multi-Source Domain Adaptation with Transformer-based Feature Generation for Subject-Independent EEG-based Emotion Recognition [0.5439020425819]
  本稿では,複数の情報源からの情報を活用するために,トランスフォーマーベースの特徴生成器(MSDA-TF)を用いたマルチソース領域適応手法を提案する。 適応過程において、相関値に基づいてソース対象をグループ化し、ソース内だけでなく、対象対象のモーメントを各ソースと整合させることを目的としている。 MSDA-TFはSEEDデータセット上で検証され、有望な結果が得られた。
  論文  参考訳（メタデータ） (2024-01-04T16:38:47Z)
• CSLP-AE: A Contrastive Split-Latent Permutation Autoencoder Framework for Zero-Shot Electroencephalography Signal Conversion [49.1574468325115]
  脳波分析の鍵となる目的は、基礎となる神経活動(コンテンツ)を抽出し、個体の変動(スタイル)を考慮することである。 近年の音声変換技術の発展に触発されて,脳波変換を直接最適化するCSLP-AEフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-11-13T22:46:43Z)
• 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)
• Semi-Supervised Dual-Stream Self-Attentive Adversarial Graph Contrastive Learning for Cross-Subject EEG-based Emotion Recognition [19.578050094283313]
  DS-AGCフレームワークは、クロスオブジェクト脳波に基づく感情認識において、限定ラベル付きデータの課題に取り組むために提案されている。 提案手法は,不完全ラベル条件の異なる既存手法よりも優れている。
  論文  参考訳（メタデータ） (2023-08-13T23:54:40Z)
• A Hybrid End-to-End Spatio-Temporal Attention Neural Network with Graph-Smooth Signals for EEG Emotion Recognition [1.6328866317851187]
  本稿では,ネットワーク・テンポラルエンコーディングと繰り返しアテンションブロックのハイブリッド構造を用いて,解釈可能な表現を取得するディープニューラルネットワークを提案する。 提案したアーキテクチャは、公開されているDEAPデータセット上での感情分類の最先端結果を上回ることを実証する。
  論文  参考訳（メタデータ） (2023-07-06T15:35:14Z)
• 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)
• EEG-Inception: An Accurate and Robust End-to-End Neural Network for EEG-based Motor Imagery Classification [123.93460670568554]
  本稿では,脳波に基づく運動画像(MI)分類のための新しい畳み込みニューラルネットワーク(CNN)アーキテクチャを提案する。 提案したCNNモデル、すなわちEEG-Inceptionは、Inception-Timeネットワークのバックボーン上に構築されている。 提案するネットワークは、生のEEG信号を入力とし、複雑なEEG信号前処理を必要としないため、エンドツーエンドの分類である。
  論文  参考訳（メタデータ） (2021-01-24T19:03:10Z)
• Uncovering the structure of clinical EEG signals with self-supervised learning [64.4754948595556]
  教師付き学習パラダイムは、しばしば利用可能なラベル付きデータの量によって制限される。 この現象は脳波(EEG)などの臨床関連データに特に問題となる。 ラベルのないデータから情報を抽出することで、ディープニューラルネットワークとの競合性能に到達することができるかもしれない。
  論文  参考訳（メタデータ） (2020-07-31T14:34:47Z)
• Few-Shot Relation Learning with Attention for EEG-based Motor Imagery Classification [11.873435088539459]
  脳波(EEG)信号に基づく脳-コンピュータインタフェース(BCI)が注目されている。 運動画像(MI)データは、リハビリテーションや自律運転のシナリオに使用することができる。 脳波に基づくBCIシステムにはMI信号の分類が不可欠である。
  論文  参考訳（メタデータ） (2020-03-03T02:34:44Z)

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。