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
- Enhancing EEG-to-Text Decoding through Transferable Representations from
Pre-trained Contrastive EEG-Text Masked Autoencoder [73.94142233076079]
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 [18.409596696877472]
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) - EEG2Vec: Learning Affective EEG Representations via Variational
Autoencoders [27.3162026528455]
我々は、感情的な刺激に反応して、潜在ベクトル空間におけるニューラルデータを表現することが、両方の感情状態を予測するのに役立つかどうかを考察する。
脳波データから生成的識別的表現を学習するための条件付き変分オートエンコーダベースのフレームワークであるEEG2Vecを提案する。
論文 参考訳(メタデータ) (2022-07-16T19:25:29Z) - 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) - Holistic Semi-Supervised Approaches for EEG Representation Learning [14.67085109524245]
我々は、MixMatch、FixMatch、AdaMatchの3つの全体論的半教師付きアプローチと、脳波学習のための古典的半教師付き手法を適用した。
ラベル付きサンプルの量が異なる実験では、クラスごとにラベル付きサンプルが1つしか使われていない場合でも、全体論的アプローチが強い結果が得られることが示されている。
論文 参考訳(メタデータ) (2021-09-24T03:58:13Z) - 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) - 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)
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。