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
- Decoding Human Emotions: Analyzing Multi-Channel EEG Data using LSTM Networks [0.0]
本研究では、Long Short-Term Memory (LSTM) ネットワークを用いて脳波信号を解析することにより、感情状態分類の予測精度を向上することを目的とする。
DEAPとして知られる多チャンネル脳波記録の一般的なデータセットを用いて、LSTMネットワークの特性を活用して、脳波信号データ内の時間的依存関係を処理する。
感情認識モデルの能力は, それぞれ89.89%, 90.33%, 90.70%, 90.54%であった。
論文 参考訳（メタデータ） (2024-08-19T18:10:47Z) - MEEG and AT-DGNN: Improving EEG Emotion Recognition with Music Introducing and Graph-based Learning [3.840859750115109]
音楽誘発脳波(EEG)記録のマルチモーダルコレクションであるMEEGデータセットについて述べる。
本稿では,脳波に基づく感情認識のための新しいフレームワークである動的グラフニューラルネットワーク(AT-DGNN)を用いた注意に基づく時間学習について紹介する。
論文 参考訳（メタデータ） (2024-07-08T01:58:48Z) - REST: Efficient and Accelerated EEG Seizure Analysis through Residual State Updates [54.96885726053036]
本稿では,リアルタイム脳波信号解析のための新しいグラフベース残状態更新機構(REST)を提案する。
グラフニューラルネットワークとリカレント構造の組み合わせを活用することで、RESTは、非ユークリッド幾何学とEEGデータ内の時間的依存関係の両方を効率的にキャプチャする。
本モデルは,発作検出と分類作業において高い精度を示す。
論文 参考訳（メタデータ） (2024-06-03T16:30:19Z) - 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) - 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) - 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) - 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) - 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)
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。