論文の概要: Positional-Spectral-Temporal Attention in 3D Convolutional Neural Networks for EEG Emotion Recognition

• arxiv url: http://arxiv.org/abs/2110.09955v1
• Date: Wed, 13 Oct 2021 12:03:36 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-24 12:24:07.317832
• Title: Positional-Spectral-Temporal Attention in 3D Convolutional Neural Networks for EEG Emotion Recognition
• Title（参考訳）: 脳波認識のための3次元畳み込みニューラルネットワークにおける位置-スペクトル-時間的注意
• Authors: Jiyao Liu, Yanxi Zhao, Hao Wu, Dongmei Jiang
• Abstract要約: 本稿では,感情認識のための情報脳波の特徴を探求する新しい構造を提案する。 PSTアテンションモジュールは、位置、スペクトル、時間アテンションモジュールで構成されている。 提案手法は,3次元畳み込みニューラルネットワーク(3D-CNN)にプラグインモジュールとして適合する。
• 参考スコア（独自算出の注目度）: 5.995842375590237
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recognizing the feelings of human beings plays a critical role in our daily communication. Neuroscience has demonstrated that different emotion states present different degrees of activation in different brain regions, EEG frequency bands and temporal stamps. In this paper, we propose a novel structure to explore the informative EEG features for emotion recognition. The proposed module, denoted by PST-Attention, consists of Positional, Spectral and Temporal Attention modules to explore more discriminative EEG features. Specifically, the Positional Attention module is to capture the activate regions stimulated by different emotions in the spatial dimension. The Spectral and Temporal Attention modules assign the weights of different frequency bands and temporal slices respectively. Our method is adaptive as well as efficient which can be fit into 3D Convolutional Neural Networks (3D-CNN) as a plug-in module. We conduct experiments on two real-world datasets. 3D-CNN combined with our module achieves promising results and demonstrate that the PST-Attention is able to capture stable patterns for emotion recognition from EEG.
• Abstract（参考訳）: 人間の感情を認識することは、日々のコミュニケーションにおいて重要な役割を果たす。 神経科学は、異なる感情状態が異なる脳領域、脳波周波数帯、時間スタンプで異なる活性化度を示すことを示した。 本稿では,感情認識のための情報的脳波特徴を探索する新しい構造を提案する。 提案したモジュールは、PST-Attentionで表され、より差別的な脳波特徴を探索するために、位置、スペクトル、時間アテンションモジュールから構成される。 具体的には、位置注意モジュールは、空間次元の異なる感情によって刺激される活性化領域をキャプチャする。 スペクトルおよび時間的注意モジュールは、それぞれ異なる周波数帯域の重みと時間的スライスの重みを割り当てる。 本手法は,3次元畳み込みニューラルネットワーク(3d-cnn)をプラグインモジュールとして適用可能な,適応的かつ効率的である。 2つの実世界のデータセットで実験を行う。 3d-cnnとモジュールを組み合わせることで有望な結果が得られ、脳波から感情認識のための安定したパターンを捉えることができることを示した。

関連論文リスト

• Neuro-3D: Towards 3D Visual Decoding from EEG Signals [49.502364730056044]
  脳波信号から3次元視覚知覚を復号する新しい神経科学タスクを導入する。 まず、ビデオと画像の両方でレンダリングされた72の3Dオブジェクトのカテゴリを閲覧する12人の被験者から、マルチモーダル分析データと脳波記録を含むデータセットであるEEG-3Dを提示する。 脳波信号に基づく3次元視覚デコーディングフレームワークNeuro-3Dを提案する。
  論文  参考訳（メタデータ） (2024-11-19T05:52:17Z)
• Interpretable Spatio-Temporal Embedding for Brain Structural-Effective Network with Ordinary Differential Equation [56.34634121544929]
  本研究では,まず動的因果モデルを用いて脳効果ネットワークを構築する。 次に、STE-ODE(Spatio-Temporal Embedding ODE)と呼ばれる解釈可能なグラフ学習フレームワークを導入する。 このフレームワークは、構造的および効果的なネットワーク間の動的相互作用を捉えることを目的とした、特異的に設計されたノード埋め込み層を含んでいる。
  論文  参考訳（メタデータ） (2024-05-21T20:37:07Z)
• Inter Subject Emotion Recognition Using Spatio-Temporal Features From EEG Signal [4.316570025748204]
  この研究は、脳波信号から感情を独立して分類する、簡単に実装できる感情認識モデルに関するものである。 このモデルは、感情を分類するために、CNNの正規層、深さ層、分離可能な畳み込み層の組み合わせである。 精度は73.04%だった。
  論文  参考訳（メタデータ） (2023-05-27T07:43:19Z)
• EmotionIC: emotional inertia and contagion-driven dependency modeling for emotion recognition in conversation [34.24557248359872]
  本稿では,ERCタスクに対する感情的慣性・伝染型依存性モデリング手法(EmotionIC)を提案する。 EmotionICは3つの主要コンポーネント、すなわちIDマスク付きマルチヘッド注意(IMMHA)、対話型Gated Recurrent Unit(DiaGRU)、Skip-chain Conditional Random Field(SkipCRF)から構成されている。 実験結果から,提案手法は4つのベンチマークデータセットにおいて,最先端のモデルよりも大幅に優れていることが示された。
  論文  参考訳（メタデータ） (2023-03-20T13:58:35Z)
• Controllable Radiance Fields for Dynamic Face Synthesis [125.48602100893845]
  非剛性運動を示す顔力学の生成モデル合成を明示的に制御する方法について検討する。 制御可能な放射場(CoRF) 頭部画像・映像データから,CoRFは3次元認識可能であり,識別,視聴方向,動きの編集が可能であることを示す。
  論文  参考訳（メタデータ） (2022-10-11T23:17:31Z)
• GMSS: Graph-Based Multi-Task Self-Supervised Learning for EEG Emotion Recognition [48.02958969607864]
  本稿では,脳波感情認識のためのグラフベースマルチタスク自己教師学習モデル(GMSS)を提案する。 複数のタスクから同時に学習することで、GMSSはすべてのタスクをキャプチャする表現を見つけることができる。 SEED、SEED-IV、MPEDデータセットの実験により、提案モデルが脳波の感情信号に対するより差別的で一般的な特徴を学習する際、顕著な利点があることが示されている。
  論文  参考訳（メタデータ） (2022-04-12T03:37:21Z)
• EEGminer: Discovering Interpretable Features of Brain Activity with Learnable Filters [72.19032452642728]
  本稿では,学習可能なフィルタと事前決定された特徴抽出モジュールからなる新しい識別可能なEEGデコーディングパイプラインを提案する。 我々は,SEEDデータセットおよび前例のない大きさの新たな脳波データセット上で,脳波信号からの感情認識に向けたモデルの有用性を実証する。 発見された特徴は、以前の神経科学の研究と一致し、音楽聴取中の左右の時間領域間の機能的接続プロファイルの顕著な相違など、新たな洞察を提供する。
  論文  参考訳（メタデータ） (2021-10-19T14:22:04Z)
• TSception: Capturing Temporal Dynamics and Spatial Asymmetry from EEG for Emotion Recognition [9.825158483198113]
  TSceptionは、情動性脳波(EEG)から時相ダイナミクスを学ぶためのマルチスケール畳み込みニューラルネットワークである 提案手法は, 今後, 感情認識のための感情調節療法に用いることができる。
  論文  参考訳（メタデータ） (2021-04-07T06:10:01Z)
• 4D Attention-based Neural Network for EEG Emotion Recognition [1.5749416770494706]
  本稿では,脳波感情認識のための4次元注意型ニューラルネットワーク(4d-ann)を提案する。 提案された4D-aNNは、異なる脳領域および周波数帯域の重みを適応的に割り当てるためにスペクトルおよび空間的注意メカニズムを採用する。 本モデルは,物体内分割下でのSEEDデータセット上での最先端性能を実現する。
  論文  参考訳（メタデータ） (2021-01-14T07:41:48Z)
• 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)

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。