論文の概要: Weight-based Channel-model Matrix Framework: a reasonable solution for
EEG-based cross-dataset emotion recognition
- arxiv url: http://arxiv.org/abs/2209.05849v1
- Date: Tue, 13 Sep 2022 09:51:33 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-14 13:23:42.117293
- Title: Weight-based Channel-model Matrix Framework: a reasonable solution for
EEG-based cross-dataset emotion recognition
- Title（参考訳）: 重み付きチャネルモデルマトリックスフレームワーク : eegに基づくデータセット間感情認識のための合理的なソリューション
- Authors: Huayu Chen, Huanhuan He, Shuting Sun, Jianxiu Li, Xuexiao Shao,
Junxiang Li, Xiaowei Li and Bin Hu
- Abstract要約: クロスデータセットの感情認識は、脳波ベースの感情コンピューティングの分野で非常に難しい課題である。
脳波情報(個人、セッション、感情、試行)が感情認識に与える影響をまず分析した。
We proposed the Weight-based Channel-model Matrix Framework (WCMF)
- 参考スコア（独自算出の注目度）: 9.357394679801931
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Cross-dataset emotion recognition as an extremely challenging task in the
field of EEG-based affective computing is influenced by many factors, which
make the universal models yield unsatisfactory results. Facing the situation
that lack of EEG information decoding researches, we first analyzed the impact
of different EEG information(individual, session, emotion, trial) to emotion
recognition by sample space visualization, sample aggregation phenomenon
quantification, and energy pattern analysis on five public datasets. And based
on these phenomena and patterns, we provided the processing methods and
interpretable work of various EEG differences. Through the analysis of
emotional feature distribution patterns, Individual Emotional Feature
Distribution Difference(IEFDD) was found. After analyzing the limitations of
traditional modeling approach suffering from IEFDD, we proposed the
Weight-based Channel-model Matrix Framework(WCMF). In order to characterize
emotional feature distribution patterns reasonably, four weight extraction
methods were designed, and the optimal of them is Correction T-test(CT) weight
extraction method. Finally, the performance of WCMF was validated on
cross-dataset tasks in two kinds of experiments that simulated different
practical scenarios, the results showed WCMF had more stable and better emotion
recognition ability.
- Abstract（参考訳）: eegベースの情緒コンピューティングの分野での極めて困難なタスクとしてのデータセット間感情認識は、ユニバーサルモデルが不十分な結果をもたらす多くの要因に影響されている。
脳波情報のデコード研究が不足している状況に直面すると,まず5つの公開データセットにおいて,異なる脳波情報(個人,セッション,感情,試行)が感情認識に与える影響を,サンプル空間の可視化,サンプル集約現象の定量化,エネルギーパターン分析によって分析した。
そして,これらの現象とパターンに基づき,様々な脳波差の処理方法と解釈可能な作業を行った。
感情的特徴分布パターンの分析により,感情的特徴分布差(IEFDD)が認められた。
iefddに苦しむ従来のモデリングアプローチの限界を分析し、重み付きチャネルモデルマトリックスフレームワーク(wcmf)を提案した。
感情的特徴分布パターンを合理的に特徴付けるために, 4つの重み抽出法を設計し, その最適方法は補正T-test(CT)重み抽出法である。
その結果,wcmfの性能は,異なる実用シナリオをシミュレートする2種類の実験において,データセット横断作業で検証され,wcmfの方が安定し,感情認識能力が向上した。
関連論文リスト
- 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) - 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) - 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) - Joint Multimodal Transformer for Emotion Recognition in the Wild [49.735299182004404]
マルチモーダル感情認識(MMER)システムは、通常、単調なシステムよりも優れている。
本稿では,キーベースのクロスアテンションと融合するために,ジョイントマルチモーダルトランス (JMT) を利用するMMER法を提案する。
論文 参考訳（メタデータ） (2024-03-15T17:23:38Z) - EEGFormer: Towards Transferable and Interpretable Large-Scale EEG
Foundation Model [39.363511340878624]
大規模複合脳波データに基づいて事前学習した脳波基礎モデル,すなわちEEGFormerを提案する。
本モデルの有効性を検証するため,様々な下流タスクにおいて広範囲に評価し,異なる転送条件下での性能を評価する。
論文 参考訳（メタデータ） (2024-01-11T17:36:24Z) - 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) - Mixed Effects Neural ODE: A Variational Approximation for Analyzing the
Dynamics of Panel Data [50.23363975709122]
パネルデータ解析に(固定・ランダムな)混合効果を取り入れたME-NODEという確率モデルを提案する。
我々は、Wong-Zakai定理によって提供されるSDEの滑らかな近似を用いて、我々のモデルを導出できることを示す。
次に、ME-NODEのためのエビデンスに基づく下界を導出し、(効率的な)トレーニングアルゴリズムを開発する。
論文 参考訳（メタデータ） (2022-02-18T22:41:51Z) - Towards Unbiased Visual Emotion Recognition via Causal Intervention [63.74095927462]
本稿では,データセットバイアスによる負の効果を軽減するために,新しい感情認識ネットワーク(IERN)を提案する。
IERNの有効性を検証する一連の設計されたテストと、3つの感情ベンチマークの実験は、IERNが他の最先端のアプローチよりも優れていることを示した。
論文 参考訳（メタデータ） (2021-07-26T10:40:59Z) - Adversarial Sample Enhanced Domain Adaptation: A Case Study on
Predictive Modeling with Electronic Health Records [57.75125067744978]
ドメイン適応を容易にするデータ拡張手法を提案する。
逆生成したサンプルはドメイン適応時に使用される。
その結果,本手法の有効性とタスクの一般性が確認された。
論文 参考訳（メタデータ） (2021-01-13T03:20:20Z) - 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。