論文の概要: Spectro Temporal EEG Biomarkers For Binary Emotion Classification

• arxiv url: http://arxiv.org/abs/2202.03271v1
• Date: Wed, 2 Feb 2022 10:08:22 GMT
• ステータス: 処理完了
• システム内更新日: 2022-02-13 23:15:22.150922
• Title: Spectro Temporal EEG Biomarkers For Binary Emotion Classification
• Title（参考訳）: 双対感情分類のためのスペクトル時間脳波バイオマーカー
• Authors: Upasana Tiwari, Rupayan Chakraborty, Sunil Kumar Kopparapu
• Abstract要約: 非定常であるため、脳波は分光時間表現によりよりよく分析される。 離散ウェーブレット変換(DWT)のような標準的な機能は、脳波のスペクトル力学における時間的変化を表すことができる。 経験的モード分解(EMD)に基づく特徴は、ギャップを埋めるのに有用である。
• 参考スコア（独自算出の注目度）: 21.14373334657546
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Electroencephalogram (EEG) is one of the most reliable physiological signal for emotion detection. Being non-stationary in nature, EEGs are better analysed by spectro temporal representations. Standard features like Discrete Wavelet Transformation (DWT) can represent temporal changes in spectral dynamics of an EEG, but is insufficient to extract information other way around, i.e. spectral changes in temporal dynamics. On the other hand, Empirical mode decomposition (EMD) based features can be useful to bridge the above mentioned gap. Towards this direction, we extract two novel features on top of EMD, namely, (a) marginal hilbert spectrum (MHS) and (b) Holo-Hilbert spectral analysis (HHSA) based on EMD, to better represent emotions in 2D arousal-valence (A-V) space. The usefulness of these features for EEG emotion classification is investigated through extensive experiments using state-of-the-art classifiers. In addition, experiments conducted on DEAP dataset for binary emotion classification in both A-V space, reveal the efficacy of the proposed features over the standard set of temporal and spectral features.
• Abstract（参考訳）: 脳波(eeg)は、感情検出の最も信頼できる生理的信号の1つである。 本質的には非定常であるため、脳波は分光時間表現によってよりよく分析される。 離散ウェーブレット変換(英語版)(dwt)のような標準的な特徴は脳波のスペクトルダイナミクスの時間的変化を表現できるが、他の方法、すなわち時間的ダイナミクスのスペクトル変化を抽出できない。 一方、経験的モード分解(EMD)に基づく特徴は、上記のギャップを埋めるのに有用である。 この方向に向かって,EMD上に2つの新しい特徴,すなわち2つの特徴を抽出する。 (a)限界ヒルベルトスペクトル(MHS)および b) EMDに基づくホロ・ヒルベルトスペクトル分析(HHSA)により, 2次元覚醒価(A-V)空間における感情をよりよく表現する。 脳波感情分類におけるこれらの特徴の有用性は,最先端の分類器を用いた広範囲な実験を通して検討した。 さらに,a-v空間における二元感情分類のためのdeapデータセットを用いた実験により,時間的特徴とスペクトル的特徴の標準セットに対する提案手法の有効性が明らかになった。

関連論文リスト

• A Supervised Information Enhanced Multi-Granularity Contrastive Learning Framework for EEG Based Emotion Recognition [14.199298112101802]
  本研究では,脳波に基づく感情認識(SICLEER, Supervised Info-enhanced Contrastive Learning)のための新しいコントラスト学習フレームワークを提案する。 自己教師付きコントラスト学習損失と教師付き分類損失を組み合わせた共同学習モデルを提案する。
  論文  参考訳（メタデータ） (2024-05-12T11:51:00Z)
• 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)
• Power Spectral Density-Based Resting-State EEG Classification of First-Episode Psychosis [1.3416169841532526]
  脳の異常活動パターンの同定における刺激非依存型脳波の有用性を示す。 複数の周波数帯域を組み込んだ一般化モデルでは、脳波バイオマーカーとFEP(First-Episode Psychosis)を関連付けるのがより効率的である。 本稿では,PSD解析における前処理手法の総合的な考察と,異なるモデルの詳細な比較について述べる。
  論文  参考訳（メタデータ） (2022-11-23T00:28:41Z)
• Task-oriented Self-supervised Learning for Anomaly Detection in Electroencephalography [51.45515911920534]
  タスク指向型自己教師型学習手法を提案する。 大きなカーネルを持つ特定の2つの分岐畳み込みニューラルネットワークを特徴抽出器として設計する。 効果的に設計され、訓練された特徴抽出器は、より優れた特徴表現を脳波から抽出できることが示されている。
  論文  参考訳（メタデータ） (2022-07-04T13:15:08Z)
• Topological EEG Nonlinear Dynamics Analysis for Emotion Recognition [20.74019148808772]
  本稿では,位相空間再構成(PSR)技術を用いて位相空間にEEG時系列を変換するトポロジカルEEG非線形力学解析手法を提案する。 提案手法をDREAMERデータセットとDEAPデータセットの2つのよく知られたベンチマークデータセットを用いて評価する。
  論文  参考訳（メタデータ） (2022-03-14T07:31:42Z)
• Mask-guided Spectral-wise Transformer for Efficient Hyperspectral Image Reconstruction [127.20208645280438]
  ハイパースペクトル画像(HSI)再構成は、2次元計測から3次元空間スペクトル信号を復元することを目的としている。 スペクトル間相互作用のモデル化は、HSI再構成に有用である。 Mask-guided Spectral-wise Transformer (MST) は,HSI再構成のための新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-11-15T16:59:48Z)
• 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)
• EEG-ConvTransformer for Single-Trial EEG based Visual Stimuli Classification [5.076419064097734]
  本研究は,マルチヘッド自己注意に基づくEEG-ConvTranformerネットワークを導入する。 5種類の視覚刺激分類タスクにまたがる最先端技術による分類精度の向上を実現している。
  論文  参考訳（メタデータ） (2021-07-08T17:22:04Z)
• 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)
• Video-based Remote Physiological Measurement via Cross-verified Feature Disentangling [121.50704279659253]
  非生理的表現と生理的特徴を混同するための横断的特徴分離戦略を提案する。 次に, 蒸留された生理特性を用いて, 頑健なマルチタスク生理測定を行った。 歪んだ特徴は、最終的に平均HR値やr信号のような複数の生理的信号の合同予測に使用される。
  論文  参考訳（メタデータ） (2020-07-16T09:39:17Z)
• EEG fingerprinting: subject specific signature based on the aperiodic component of power spectrum [1.012745603287498]
  脳波パワースペクトルから抽出した非常に単純かつ容易に解釈可能な特徴集合に対する個人変動の影響を推定する。 その結果,脳波信号の周期成分は強い主観特性によって特徴づけられることがわかった。
  論文  参考訳（メタデータ） (2020-01-26T09:04:26Z)

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。