論文の概要: Topological EEG Nonlinear Dynamics Analysis for Emotion Recognition
- arxiv url: http://arxiv.org/abs/2203.06895v1
- Date: Mon, 14 Mar 2022 07:31:42 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-15 17:43:17.355729
- Title: Topological EEG Nonlinear Dynamics Analysis for Emotion Recognition
- Title(参考訳): 感情認識のためのトポロジカル脳波非線形ダイナミクス解析
- Authors: Yan Yan, Xuankun Wu, Chengdong Li, Yini He, Zhicheng Zhang, Huihui Li,
Ang Li, and Lei Wang
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 20.74019148808772
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Emotional recognition through exploring the electroencephalography (EEG)
characteristics has been widely performed in recent studies. Nonlinear analysis
and feature extraction methods for understanding the complex dynamical
phenomena are associated with the EEG patterns of different emotions. The phase
space reconstruction is a typical nonlinear technique to reveal the dynamics of
the brain neural system. Recently, the topological data analysis (TDA) scheme
has been used to explore the properties of space, which provides a powerful
tool to think over the phase space. In this work, we proposed a topological EEG
nonlinear dynamics analysis approach using the phase space reconstruction (PSR)
technique to convert EEG time series into phase space, and the persistent
homology tool explores the topological properties of the phase space. We
perform the topological analysis of EEG signals in different rhythm bands to
build emotion feature vectors, which shows high distinguishing ability. We
evaluate the approach with two well-known benchmark datasets, the DEAP and
DREAMER datasets. The recognition results achieved accuracies of 99.37% and
99.35% in arousal and valence classification tasks with DEAP, and 99.96%,
99.93%, and 99.95% in arousal, valence, and dominance classifications tasks
with DREAMER, respectively. The performances are supposed to be outperformed
current state-of-art approaches in DREAMER (improved by 1% to 10% depends on
temporal length), while comparable to other related works evaluated in DEAP.
The proposed work is the first investigation in the emotion recognition
oriented EEG topological feature analysis, which brought a novel insight into
the brain neural system nonlinear dynamics analysis and feature extraction.
- Abstract(参考訳): 脳波(EEG)の特徴を探索する感情認識は近年広く研究されている。
複雑な力学現象を理解するための非線形解析と特徴抽出法は、異なる感情の脳波パターンと関連している。
位相空間再構成は、脳神経系のダイナミクスを明らかにする典型的な非線形手法である。
近年、位相データ解析(TDA)方式が空間の性質を探るために使われており、位相空間について考えるための強力なツールとなっている。
本研究では,位相空間再構成(PSR)技術を用いて位相空間を位相空間に変換するトポロジ的EEG非線形力学解析手法を提案し,持続的ホモロジーツールは位相空間の位相特性を探索する。
異なるリズム帯域における脳波信号の位相解析を行い,感情特徴ベクトルを構築し,高い識別能力を示す。
我々は,deapとdreamerの2つのベンチマークデータセットを用いて,このアプローチを評価した。
認識結果は、DREAMERによる覚醒的・原子価分類では99.37%、99.35%、DREAMERによる覚醒的・原子価分類では99.96%、99.93%、および99.95%であった。
性能はDREAMERの現在の最先端アプローチ(1%から10%は時間長に依存している)よりも優れており、DEAPで評価された他の関連する研究と同等である。
提案する研究は,脳神経系の非線形ダイナミクス解析と特徴抽出に新たな洞察をもたらした感情認識指向脳波位相特徴解析における最初の研究である。
関連論文リスト
- Graph Convolutional Network with Connectivity Uncertainty for EEG-based
Emotion Recognition [20.655367200006076]
本研究では,脳波信号の空間依存性と時間スペクトルの相対性を表す分布に基づく不確実性手法を提案する。
グラフ混合手法は、遅延接続エッジを強化し、ノイズラベル問題を緩和するために用いられる。
感情認識タスクにおいて、SEEDとSEEDIVという2つの広く使われているデータセットに対するアプローチを評価した。
論文 参考訳(メタデータ) (2023-10-22T03:47:11Z) - Deep Learning-based Analysis of Basins of Attraction [49.812879456944984]
本研究は,様々な力学系における盆地の複雑さと予測不可能性を特徴づけることの課題に対処する。
主な焦点は、この分野における畳み込みニューラルネットワーク(CNN)の効率性を示すことである。
論文 参考訳(メタデータ) (2023-09-27T15:41:12Z) - 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) - 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) - 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) - Progressive Graph Convolution Network for EEG Emotion Recognition [35.08010382523394]
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。
論文 参考訳(メタデータ) (2021-12-14T03:30:13Z) - DriPP: Driven Point Processes to Model Stimuli Induced Patterns in M/EEG
Signals [62.997667081978825]
我々はDriPPと呼ばれる新しい統計点過程モデルを開発する。
我々は、このモデルのパラメータを推定するために、高速で原理化された予測最大化(EM)アルゴリズムを導出する。
標準MEGデータセットの結果から,我々の手法が事象関連ニューラルレスポンスを明らかにすることが示された。
論文 参考訳(メタデータ) (2021-12-08T13:07:21Z) - EEG-based Cross-Subject Driver Drowsiness Recognition with an
Interpretable Convolutional Neural Network [0.0]
我々は,新しい畳み込みニューラルネットワークと解釈手法を組み合わせることで,分類の重要な特徴のサンプルワイズ分析を可能にする。
その結果,11名の被験者に対して平均78.35%の精度が得られた。
論文 参考訳(メタデータ) (2021-05-30T14:47:20Z) - Multiscale Fractal Analysis on EEG Signals for Music-Induced Emotion
Recognition [34.726185927120355]
我々はマルチフラクタル解析を用いて、変動の有無や主要な周波数帯域に沿った断片化の程度の観点から、脳波信号の挙動を調べる。
感情関連特徴を抽出するために,マルチスケールフラクタル次元とマルチフラクタル遅延ゆらぎ解析に基づく2つの新しいアルゴリズムを用いて脳波解析を行う。
論文 参考訳(メタデータ) (2020-10-30T15:01:05Z) - 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。