論文の概要: Machine Learning Strategies to Improve Generalization in EEG-based
Emotion Assessment: \\a Systematic Review
- arxiv url: http://arxiv.org/abs/2212.08744v1
- Date: Fri, 16 Dec 2022 22:48:37 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-20 17:57:47.827492
- Title: Machine Learning Strategies to Improve Generalization in EEG-based
Emotion Assessment: \\a Systematic Review
- Title(参考訳): 脳波を用いた感情評価における一般化のための機械学習戦略: \\a Systematic Review
- Authors: Andrea Apicella, Pasquale Arpaia, Giovanni D'Errico, Davide Marocco,
Giovanna Mastrati, Nicola Moccaldi, Roberto Prevete
- Abstract要約: 脳波信号の非定常性は重要な問題であり、データセットシフト問題につながる可能性がある。
418の論文が Scopus, IEEE Xplore, PubMedデータベースから取得された。
平均分類精度の観点から最も優れた結果を得た研究を同定した。
- 参考スコア(独自算出の注目度): 0.13854111346209866
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: A systematic review on machine-learning strategies for improving
generalizability (cross-subjects and cross-sessions) electroencephalography
(EEG) based in emotion classification was realized. In this context, the
non-stationarity of EEG signals is a critical issue and can lead to the Dataset
Shift problem. Several architectures and methods have been proposed to address
this issue, mainly based on transfer learning methods. 418 papers were
retrieved from the Scopus, IEEE Xplore and PubMed databases through a search
query focusing on modern machine learning techniques for generalization in
EEG-based emotion assessment. Among these papers, 75 were found eligible based
on their relevance to the problem. Studies lacking a specific cross-subject and
cross-session validation strategy and making use of other biosignals as support
were excluded. On the basis of the selected papers' analysis, a taxonomy of the
studies employing Machine Learning (ML) methods was proposed, together with a
brief discussion on the different ML approaches involved. The studies with the
best results in terms of average classification accuracy were identified,
supporting that transfer learning methods seem to perform better than other
approaches. A discussion is proposed on the impact of (i) the emotion
theoretical models and (ii) psychological screening of the experimental sample
on the classifier performances.
- Abstract(参考訳): 感情分類に基づく汎用性(クロスオブジェクトとクロスセッション)脳波(EEG)向上のための機械学習戦略の体系的検討を行った。
この文脈では、EEG信号の非定常性は重要な問題であり、データセットシフト問題につながる可能性がある。
この問題を解決するためにいくつかのアーキテクチャや手法が提案されている。
418の論文が,脳波に基づく感情評価の一般化を目的とした最新の機械学習技術に着目した検索クエリを通じて,スコパス,IEEE Xplore,PubMedデータベースから検索された。
これらの論文のうち75件は、その問題に対する関連性に基づいて検索された。
特定のクロスサブジェクトおよびクロスセッション検証戦略の欠如と他のバイオシグナールをサポートとして利用する研究は除外された。
選択された論文の分析に基づいて,機械学習(ML)手法を用いた研究の分類法が提案され,関連するMLアプローチに関する簡単な議論が行われた。
平均分類精度で最高の結果を得た研究は, 伝達学習法が他の手法よりも優れていたことを裏付けるものである。
影響についての議論が提案されている
i)感情理論モデルと感情理論モデル
(II) 分類器の性能に関する実験試料の心理的スクリーニング。
関連論文リスト
- Latent Alignment with Deep Set EEG Decoders [44.128689862889715]
本稿では,脳波伝達学習大会のベンチマークで優勝した潜在アライメント手法を紹介する。
我々は,その定式化を,与えられた被験者の試行セットに適用したディープセットとして提示する。
実験の結果,深層学習モデルにおける後段の統計的分布アライメントの実行は,分類精度に有益であることが示唆された。
論文 参考訳(メタデータ) (2023-11-29T12:40:45Z) - 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) - Toward the application of XAI methods in EEG-based systems [0.0]
脳波信号の非定常性は、BCI分類システムにおける一般化性能の低下につながる可能性がある。
XAI法は、分類の目的のために、入力の関連する特性を特定し、変換することができる。
結果は、XAIメソッドで見つかる多くの関連コンポーネントがセッション間で共有され、より良い一般化が可能なシステムを構築するのに使用できることを示している。
論文 参考訳(メタデータ) (2022-10-12T19:47:34Z) - On The Effects Of Data Normalisation For Domain Adaptation On EEG Data [0.0]
本稿では,データ正規化の影響,あるいはドメイン適応(DA)手法と併用した標準化戦略について論じる。
本研究は, 各種DA法を応用した各種正規化手法の効果を実験的に評価した。
その結果、DAシナリオのパフォーマンスにおいて、正規化戦略の選択が重要な役割を果たすことがわかった。
論文 参考訳(メタデータ) (2022-10-03T16:51:12Z) - Nonparametric Estimation of Heterogeneous Treatment Effects: From Theory
to Learning Algorithms [91.3755431537592]
プラグイン推定と擬似出力回帰に依存する4つの幅広いメタ学習戦略を解析する。
この理論的推論を用いて、アルゴリズム設計の原則を導出し、分析を実践に翻訳する方法について強調する。
論文 参考訳(メタデータ) (2021-01-26T17:11:40Z) - Learning Binary Semantic Embedding for Histology Image Classification
and Retrieval [56.34863511025423]
バイナリ・セマンティック・エンベディング(LBSE)の学習方法を提案する。
効率的な埋め込み、分類、検索を行い、組織像の解釈可能なコンピュータ支援診断を提供する。
3つのベンチマークデータセットで実施された実験は、様々なシナリオにおいてLBSEの優位性を検証する。
論文 参考訳(メタデータ) (2020-10-07T08:36:44Z) - 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) - Uncovering the structure of clinical EEG signals with self-supervised
learning [64.4754948595556]
教師付き学習パラダイムは、しばしば利用可能なラベル付きデータの量によって制限される。
この現象は脳波(EEG)などの臨床関連データに特に問題となる。
ラベルのないデータから情報を抽出することで、ディープニューラルネットワークとの競合性能に到達することができるかもしれない。
論文 参考訳(メタデータ) (2020-07-31T14:34:47Z) - Ultra Efficient Transfer Learning with Meta Update for Cross Subject EEG
Classification [0.6562256987706128]
本稿では,脳波の連続的分類のためのメタ更新戦略 (MUPS-EEG) という,効率的な伝達学習手法を提案する。
モデルはメタ更新を用いて効果的な表現を学習し、新しい主題への適応を加速し、前の主題に対する知識の忘れを緩和する。
論文 参考訳(メタデータ) (2020-03-13T05:10:49Z) - Opportunities and Challenges of Deep Learning Methods for
Electrocardiogram Data: A Systematic Review [62.490310870300746]
心電図(Electrocardiogram、ECG)は、医学および医療において最も一般的に用いられる診断ツールの1つである。
深層学習法は心電図信号を用いた予測医療タスクにおいて有望な結果を得た。
本稿では、モデリングとアプリケーションの観点から、ECGデータに対するディープラーニング手法の体系的なレビューを行う。
論文 参考訳(メタデータ) (2019-12-28T02:44:29Z)
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。