論文の概要: EEGMatch: Learning with Incomplete Labels for Semi-Supervised EEG-based Cross-Subject Emotion Recognition

• arxiv url: http://arxiv.org/abs/2304.06496v1
• Date: Mon, 27 Mar 2023 12:02:33 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-16 21:49:31.951839
• Title: EEGMatch: Learning with Incomplete Labels for Semi-Supervised EEG-based Cross-Subject Emotion Recognition
• Title（参考訳）: eegmatch: 半教師付き脳波に基づくクロスサブジェクト感情認識のための不完全ラベルによる学習
• Authors: Rushuang Zhou, Weishan Ye, Zhiguo Zhang, Yanyang Luo, Li Zhang, Linling Li, Gan Huang, Yining Dong, Yuan-Ting Zhang, Zhen Liang
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 9.778877715427358
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Electroencephalography (EEG) is an objective tool for emotion recognition and shows promising performance. However, the label scarcity problem is a main challenge in this field, which limits the wide application of EEG-based emotion recognition. In this paper, we propose a novel semi-supervised learning framework (EEGMatch) to leverage both labeled and unlabeled EEG data. First, an EEG-Mixup based data augmentation method is developed to generate more valid samples for model learning. Second, a semi-supervised two-step pairwise learning method is proposed to bridge prototype-wise and instance-wise pairwise learning, where the prototype-wise pairwise learning measures the global relationship between EEG data and the prototypical representation of each emotion class and the instance-wise pairwise learning captures the local intrinsic relationship among EEG data. Third, a semi-supervised multi-domain adaptation is introduced to align the data representation among multiple domains (labeled source domain, unlabeled source domain, and target domain), where the distribution mismatch is alleviated. Extensive experiments are conducted on two benchmark databases (SEED and SEED-IV) under a cross-subject leave-one-subject-out cross-validation evaluation protocol. The results show the proposed EEGmatch performs better than the state-of-the-art methods under different incomplete label conditions (with 6.89% improvement on SEED and 1.44% improvement on SEED-IV), which demonstrates the effectiveness of the proposed EEGMatch in dealing with the label scarcity problem in emotion recognition using EEG signals. The source code is available at https://github.com/KAZABANA/EEGMatch.
• Abstract（参考訳）: 脳電図(EEG)は感情認識のための客観的ツールであり、有望なパフォーマンスを示す。 しかし、この分野ではラベル不足の問題が主要な課題であり、脳波に基づく感情認識の幅広い適用を制限する。 本稿では,ラベル付きEEGデータとラベルなしEEGデータの両方を活用するための,新しい半教師付き学習フレームワーク(EEGMatch)を提案する。 まず、モデル学習のためのより有効なサンプルを生成するために、EEG-Mixupに基づくデータ拡張法を開発した。 次に,プロトタイプ・ペアワイズ学習が脳波データと各感情クラスの先代的表現との間の大域的関係を計測し,インスタンス・ワイズ・ペアワイズ学習が脳波データ間の局所的本質的関係を捉える半教師付き二段階学習法を提案する。 第3に、分散ミスマッチが緩和された複数のドメイン(ラベル付きソースドメイン、ラベルなしソースドメイン、ターゲットドメイン)にデータ表現を整合させる半教師付きマルチドメイン適応を導入する。 2つのベンチマークデータベース (SEED と SEED-IV) 上で, クロスオブジェクト・ワン・オブ・サブジェクト・アウト・クロスバリデーション評価プロトコルを用いて実験を行った。 その結果, 脳波信号を用いた感情認識におけるラベル不足問題に対するEEGMatchの有効性を実証し, 不完全なラベル条件下での最先端手法よりも優れた性能(SEED-IVでは6.89%, SEED-IVでは1.44%)が得られた。 ソースコードはhttps://github.com/KAZABANA/EEGMatchで入手できる。

関連論文リスト

• EEGMamba: Bidirectional State Space Model with Mixture of Experts for EEG Multi-task Classification [1.4004287903552533]
  脳波アプリケーションのためのマルチタスク学習を真に実装した最初のユニバーサル脳波分類ネットワークであるEEGMambaを紹介する。 EEGMambaは、Spatio-Temporal-Adaptive (ST-Adaptive)モジュール、双方向のMamba、Mixture of Experts (MoE)をシームレスに統合したフレームワークに統合する。 本研究では,8つの公用EEGデータセットを用いてモデルの評価を行い,その性能を4種類のタスクで実証した。
  論文  参考訳（メタデータ） (2024-07-20T11:15:47Z)
• 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)
• Physics-informed and Unsupervised Riemannian Domain Adaptation for Machine Learning on Heterogeneous EEG Datasets [53.367212596352324]
  脳波信号物理を利用した教師なし手法を提案する。 脳波チャンネルをフィールド、ソースフリーなドメイン適応を用いて固定位置にマッピングする。 提案手法は脳-コンピュータインタフェース(BCI)タスクおよび潜在的なバイオマーカー応用におけるロバストな性能を示す。
  論文  参考訳（メタデータ） (2024-03-07T16:17:33Z)
• Enhancing EEG-to-Text Decoding through Transferable Representations from Pre-trained Contrastive EEG-Text Masked Autoencoder [69.7813498468116]
  コントラスト型脳波テキストマスケード自動エンコーダ(CET-MAE)を提案する。 また、E2T-PTR(Pretrained Transferable Representationsを用いたEEG-to-Text decoding)と呼ばれるフレームワークを開発し、EEGシーケンスからテキストをデコードする。
  論文  参考訳（メタデータ） (2024-02-27T11:45:21Z)
• 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)
• EEG-based Emotion Style Transfer Network for Cross-dataset Emotion Recognition [45.26847258736848]
  本稿では,脳波に基づく感情スタイル伝達ネットワーク(E2STN)を提案する。 E2STNは、クロスデータセットのEEG感情認識タスクにおける最先端のパフォーマンスを達成することができる。
  論文  参考訳（メタデータ） (2023-08-09T16:54:40Z)
• PARSE: Pairwise Alignment of Representations in Semi-Supervised EEG Learning for Emotion Recognition [23.40229188549055]
  感情認識のための強い脳波表現を学習するための新しい半教師付きアーキテクチャであるPARSEを提案する。 大量のラベル付きデータと限られたラベル付きデータとの間の潜在的分布ミスマッチを低減するため、PARSEはペア方向のアライメントアライメントを使用する。
  論文  参考訳（メタデータ） (2022-02-11T01:10:17Z)
• 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)
• 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。