論文の概要: DAGAM: A Domain Adversarial Graph Attention Model for Subject Independent EEG-Based Emotion Recognition

• arxiv url: http://arxiv.org/abs/2202.12948v1
• Date: Sun, 27 Feb 2022 08:02:07 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-01 17:24:41.177370
• Title: DAGAM: A Domain Adversarial Graph Attention Model for Subject Independent EEG-Based Emotion Recognition
• Title（参考訳）: dagam: 被験者独立脳波に基づく感情認識のためのドメイン逆グラフ注意モデル
• Authors: Tao Xu, Wang Dang, Jiabao Wang, Yun Zhou
• Abstract要約: クロスオブジェクトの脳波変動は、性能と一般化性に悪影響を及ぼす可能性がある。 本稿では,DAGAM(Domain Adversarial Graph attention model)と呼ばれる,脳波に基づく感情認識モデルを提案する。 このモデルではSEEDの精度を92.59%(4.69%改善)、標準偏差が3.21%(2.92%低下)、SEED IVの精度が80.74%(6.90%改善)に向上した。
• 参考スコア（独自算出の注目度）: 7.969549743880546
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: One of the most significant challenges of EEG-based emotion recognition is the cross-subject EEG variations, leading to poor performance and generalizability. This paper proposes a novel EEG-based emotion recognition model called the domain adversarial graph attention model (DAGAM). The basic idea is to generate a graph to model multichannel EEG signals using biological topology. Graph theory can topologically describe and analyze relationships and mutual dependency between channels of EEG. Then, unlike other graph convolutional networks, self-attention pooling is applied to benefit salient EEG feature extraction from the graph, which effectively improves the performance. Finally, after graph pooling, the domain adversarial based on the graph is employed to identify and handle EEG variation across subjects, efficiently reaching good generalizability. We conduct extensive evaluations on two benchmark datasets (SEED and SEED IV) and obtain state-of-the-art results in subject-independent emotion recognition. Our model boosts the SEED accuracy to 92.59% (4.69% improvement) with the lowest standard deviation of 3.21% (2.92% decrements) and SEED IV accuracy to 80.74% (6.90% improvement) with the lowest standard deviation of 4.14% (3.88% decrements) respectively.
• Abstract（参考訳）: eegベースの感情認識の最も重要な課題の1つは、サブジェクト間のeeg変動であり、パフォーマンスの低下と一般化に繋がる。 本稿では,新しい脳波に基づく感情認識モデルである domain adversarial graph attention model (dagam) を提案する。 基本的な考え方は、生物トポロジーを用いてマルチチャネル脳波信号をモデル化するグラフを作成することである。 グラフ理論は、EEGのチャネル間の関係と相互依存を位相的に記述し分析することができる。 そして、他のグラフ畳み込みネットワークとは異なり、グラフから有能な脳波特徴抽出に自己注意プーリングを適用し、性能を効果的に向上する。 最後に、グラフプーリング後に、グラフに基づくドメイン逆数を用いて、被検体間での脳波変動を特定し、処理し、効率的な一般化性を得る。 本研究では,2つのベンチマークデータセット(SEEDとSEED IV)を広範囲に評価し,対象非依存感情認識の最先端結果を得る。 本モデルは, シード精度を92.59% (4.69%改善), 標準偏差が3.21% (2.92%減少), シードiv精度が80.74% (6.90%改善) であり, 標準偏差が4.14% (3.88%減少) である。

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)
• 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)
• hvEEGNet: exploiting hierarchical VAEs on EEG data for neuroscience applications [3.031375888004876]
  脳波の既存のDLベースのモデリング手法に2つの課題がある。 被験者間の高いばらつきと低信号対雑音比は、脳波データの良好な品質を確保するのを困難にしている。 本稿では,高忠実度脳波再構成問題を対象とした2つの変分オートエンコーダモデル,すなわちvEEGNet-ver3とhvEEGNetを提案する。
  論文  参考訳（メタデータ） (2023-11-20T15:36:31Z)
• 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)
• EEGMatch: Learning with Incomplete Labels for Semi-Supervised EEG-based Cross-Subject Emotion Recognition [7.1695247553867345]
  ラベル付き脳波データとラベルなし脳波データの両方を活用する新しい半教師付き学習フレームワーク(EEGMatch)を提案する。 2つのベンチマークデータベース(SEEDとSEED-IV)で大規模な実験を行う。
  論文  参考訳（メタデータ） (2023-03-27T12:02:33Z)
• Energy-based Out-of-Distribution Detection for Graph Neural Networks [76.0242218180483]
  我々は,GNNSafeと呼ばれるグラフ上での学習のための,シンプルで強力で効率的なOOD検出モデルを提案する。 GNNSafeは、最先端技術に対するAUROCの改善を最大17.0%で達成しており、そのような未開発領域では単純だが強力なベースラインとして機能する可能性がある。
  論文  参考訳（メタデータ） (2023-02-06T16:38:43Z)
• Handling Distribution Shifts on Graphs: An Invariance Perspective [78.31180235269035]
  我々は、グラフ上のOOD問題を定式化し、新しい不変学習手法である探索・拡張リスク最小化(EERM)を開発する。 EERMは、複数の仮想環境からのリスクの分散を最大化するために、敵対的に訓練された複数のコンテキストエクスプローラーを利用する。 理論的に有効なOOD解の保証を示すことによって,本手法の有効性を実証する。
  論文  参考訳（メタデータ） (2022-02-05T02:31:01Z)
• Emotion Estimation from EEG -- A Dual Deep Learning Approach Combined with Saliency [2.555313870523154]
  本稿では,コンピュータビジョンに特化した新しい深層学習(DL)モデルと,専門家が定義する生理的知識を考慮した2つの手法を提案する。 グローバルなアプローチを示すため、このモデルは4つの公開データセットで評価され、最先端のアプローチと同じような結果が得られる。
  論文  参考訳（メタデータ） (2022-01-11T11:38:36Z)
• 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)
• Heterogeneous Similarity Graph Neural Network on Electronic Health Records [74.66674469510251]
  非均質な類似度グラフニューラルネットワーク(HSGNN)を提案し、新しい異種GNNでEHRを分析します。 フレームワークは2つの部分から構成される: 1つは前処理方式で、もう1つはエンドツーエンドのGNNである。 GNNは全ての同質グラフを入力として取り、それら全てを1つのグラフに融合して予測する。
  論文  参考訳（メタデータ） (2021-01-17T23:14:29Z)

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。