論文の概要: Progressive Graph Convolution Network for EEG Emotion Recognition
- arxiv url: http://arxiv.org/abs/2112.09069v1
- Date: Tue, 14 Dec 2021 03:30:13 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-17 13:42:40.517694
- Title: Progressive Graph Convolution Network for EEG Emotion Recognition
- Title（参考訳）: 脳波感情認識のためのプログレッシブグラフ畳み込みネットワーク
- Authors: Yijin Zhou, Fu Li, Yang Li, Youshuo Ji, Guangming Shi, Wenming Zheng,
Lijian Zhang, Yuanfang Chen, Rui Cheng
- Abstract要約: 神経科学領域の研究により、感情パターンと脳機能領域の関係が明らかになった。
脳波による感情認識では、きめ細かい感情の間には、きめ細かい感情の間により明確な境界が存在することが観察できる。
脳波の感情信号に特有の特徴を捉えるためのプログレッシブグラフ畳み込みネットワーク(PGCN)を提案する。
- 参考スコア（独自算出の注目度）: 35.08010382523394
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Studies in the area of neuroscience have revealed the relationship between
emotional patterns and brain functional regions, demonstrating that dynamic
relationships between different brain regions are an essential factor affecting
emotion recognition determined through electroencephalography (EEG). Moreover,
in EEG emotion recognition, we can observe that clearer boundaries exist
between coarse-grained emotions than those between fine-grained emotions, based
on the same EEG data; this indicates the concurrence of large coarse- and small
fine-grained emotion variations. Thus, the progressive classification process
from coarse- to fine-grained categories may be helpful for EEG emotion
recognition. Consequently, in this study, we propose a progressive graph
convolution network (PGCN) for capturing this inherent characteristic in EEG
emotional signals and progressively learning the discriminative EEG features.
To fit different EEG patterns, we constructed a dual-graph module to
characterize the intrinsic relationship between different EEG channels,
containing the dynamic functional connections and static spatial proximity
information of brain regions from neuroscience research. Moreover, motivated by
the observation of the relationship between coarse- and fine-grained emotions,
we adopt a dual-head module that enables the PGCN to progressively learn more
discriminative EEG features, from coarse-grained (easy) to fine-grained
categories (difficult), referring to the hierarchical characteristic of
emotion. To verify the performance of our model, extensive experiments were
conducted on two public datasets: SEED-IV and multi-modal physiological emotion
database (MPED).
- Abstract（参考訳）: 神経科学の分野の研究により、感情パターンと脳機能領域の関係が明らかにされ、異なる脳領域間の動的関係が脳波によって決定される感情認識に必須な要因であることが示されている。
さらに,脳波による感情認識では,大きめの感情と小きめの感情の間には,同じ脳波データに基づいて,よりきめ細かな感情の間に明確な境界が存在することが分かる。
したがって、粗粒度カテゴリから細粒度カテゴリへの漸進的分類は脳波の感情認識に有用である。
そこで本研究では,脳波の感情信号に特有の特徴を捉え,差別的な脳波の特徴を段階的に学習するプログレッシブグラフ畳み込みネットワーク(PGCN)を提案する。
異なる脳波パターンを適合させるために,神経科学研究から得られた脳領域の動的機能的結合と静的空間的近接情報を含む,異なる脳波チャネル間の内在的関係を特徴付けるデュアルグラフモジュールを構築した。
さらに、粗い感情と細粒度の感情の関係を観察することによる動機付けにより、PGCNはより差別的な脳波の特徴を、より粗い(簡単)から細粒度のカテゴリー(微分)まで、段階的に学習できるデュアルヘッドモジュールを採用した。
本モデルの有効性を検証するため,SEED-IVとMPED(Multi-modal physiological emotion database)の2つの公開データセットを用いて実験を行った。
関連論文リスト
- Smile upon the Face but Sadness in the Eyes: Emotion Recognition based on Facial Expressions and Eye Behaviors [63.194053817609024]
視覚行動は、視覚行動支援型マルチモーダル感情認識データセットを作成するための重要な感情的手がかりとなる。
EMERデータセットに感情認識(ER)と表情認識(FER)の両方のアノテーションを初めて提供する。
具体的には、ERとFERの両方のパフォーマンスを同時に向上する新しいEMERTアーキテクチャを設計する。
論文 参考訳（メタデータ） (2024-11-08T04:53:55Z) - A Comprehensive Survey on EEG-Based Emotion Recognition: A Graph-Based Perspective [12.712722204034606]
脳波に基づく感情認識は、人間の脳の感情パターンに直感的に反応することができる。
重要なトレンドは、そのような依存をカプセル化するグラフの適用である。
脳波に基づく感情認識に感情関連グラフを構築するための総合的なレビューやチュートリアルは存在しない。
論文 参考訳（メタデータ） (2024-08-12T09:29:26Z) - 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) - Graph Neural Networks in EEG-based Emotion Recognition: A Survey [7.967961714421288]
重要なトレンドは、脳波に基づく感情認識のためのグラフニューラルネットワーク(GNN)を開発することである。
情動脳波の脳領域依存性は、この領域のGNNと他の時系列領域のGNNを区別する生理的基盤を持つ。
脳波に基づく感情認識におけるGNN構築のための明確なガイダンスを提供するために,フレームワークの3段階から手法を分析し,分類する。
論文 参考訳（メタデータ） (2024-02-02T04:30:58Z) - 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) - 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) - Contrastive Learning of Subject-Invariant EEG Representations for
Cross-Subject Emotion Recognition [9.07006689672858]
本稿では、信頼度の高いクロスオブジェクト感情認識のためのISAのためのコントラスト学習法を提案する。
ISAは、異なる刺激に対して同じ刺激を受けた被験者間での脳波信号の類似性を最大化する。
脳波信号から物体間表現を学習するために,深部空間畳み込み層と時間畳み込み層を有する畳み込みニューラルネットワークを適用した。
論文 参考訳（メタデータ） (2021-09-20T14:13:45Z) - A Circular-Structured Representation for Visual Emotion Distribution
Learning [82.89776298753661]
視覚的感情分布学習に先立つ知識を活用するために,身近な円形構造表現を提案する。
具体的には、まず感情圏を構築し、その内にある感情状態を統一する。
提案した感情圏では、各感情分布は3つの属性で定義される感情ベクトルで表される。
論文 参考訳（メタデータ） (2021-06-23T14:53:27Z) - 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) - 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。