論文の概要: Synthesizing Affective Neurophysiological Signals Using Generative
Models: A Review Paper
- arxiv url: http://arxiv.org/abs/2306.03112v1
- Date: Mon, 5 Jun 2023 08:38:30 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-07 19:10:49.270718
- Title: Synthesizing Affective Neurophysiological Signals Using Generative
Models: A Review Paper
- Title(参考訳): 生成モデルを用いた情動神経生理学的信号の合成
- Authors: Alireza F. Nia, Vanessa Tang, Gonzalo Maso Talou, Mark Billinghurst
- Abstract要約: マシンにおける感情的知性の統合は、人間とコンピュータの相互作用を前進させる重要なステップである。
公的な感情的データセットの不足は、課題である。
我々は、神経生理学的信号におけるこの問題に対処するための生成モデルの使用を強調した。
- 参考スコア(独自算出の注目度): 28.806992102323324
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The integration of emotional intelligence in machines is an important step in
advancing human-computer interaction. This demands the development of reliable
end-to-end emotion recognition systems. However, the scarcity of public
affective datasets presents a challenge. In this literature review, we
emphasize the use of generative models to address this issue in
neurophysiological signals, particularly Electroencephalogram (EEG) and
Functional Near-Infrared Spectroscopy (fNIRS). We provide a comprehensive
analysis of different generative models used in the field, examining their
input formulation, deployment strategies, and methodologies for evaluating the
quality of synthesized data. This review serves as a comprehensive overview,
offering insights into the advantages, challenges, and promising future
directions in the application of generative models in emotion recognition
systems. Through this review, we aim to facilitate the progression of
neurophysiological data augmentation, thereby supporting the development of
more efficient and reliable emotion recognition systems.
- Abstract(参考訳): 機械への感情知性の統合は、人間とコンピュータのインタラクションを進める上で重要なステップである。
これにより、信頼できるエンドツーエンドの感情認識システムの開発が要求される。
しかし、公的な感情的データセットの不足が課題となっている。
本稿では,神経生理学的信号,特に脳波(EEG)および機能近赤外分光(fNIRS)において,この問題に対処するための生成モデルの利用を強調した。
現場で使用される異なる生成モデルの包括的分析を行い,それらの入力定式化,展開戦略,合成データの品質評価手法について検討した。
このレビューは総合的な概要として機能し、感情認識システムにおける生成モデルの適用における利点、課題、将来的な方向性に関する洞察を提供する。
本稿では,神経生理学的データ拡張の進展を促進することを目的として,より効率的で信頼性の高い感情認識システムの開発を支援する。
関連論文リスト
- From Noise to Signal: Unveiling Treatment Effects from Digital Health
Data through Pharmacology-Informed Neural-SDE [0.0]
デジタルヘルス技術(DHT)は、患者をパーソナライズし、継続的に、リアルタイムにモニタリングする。
これらの技術から洞察を得るには、臨床に関連のある疾患状態の変化を捉えるための適切なモデリング技術が必要である。
本稿では,これらの課題に対処可能な新しい薬理インフォームド・ニューラル微分方程式(SDE)モデルを提案する。
論文 参考訳(メタデータ) (2024-03-05T19:13:57Z) - A Neuro-mimetic Realization of the Common Model of Cognition via Hebbian
Learning and Free Energy Minimization [55.11642177631929]
大規模なニューラル生成モデルは、意味的に豊富なテキストのパスを合成したり、複雑な画像を生成することができる。
我々はコモン・モデル・オブ・コグニティブ・ニューラル・ジェネレーティブ・システムについて論じる。
論文 参考訳(メタデータ) (2023-10-14T23:28:48Z) - A Brief Survey of Machine Learning Methods for Emotion Prediction using
Physiological Data [0.974672460306765]
本稿では,スマートフォンや生理データをリアルタイムに予測するための機械学習手法について検討する。
本稿では,正確な感情予測を実現するための機械学習手法の多様性を示す。
今後の作業では、以下の問題を考慮し、パフォーマンスを改善することができる。
論文 参考訳(メタデータ) (2022-01-17T19:46:12Z) - Emotion Estimation from EEG -- A Dual Deep Learning Approach Combined
with Saliency [2.555313870523154]
本稿では,コンピュータビジョンに特化した新しい深層学習(DL)モデルと,専門家が定義する生理的知識を考慮した2つの手法を提案する。
グローバルなアプローチを示すため、このモデルは4つの公開データセットで評価され、最先端のアプローチと同じような結果が得られる。
論文 参考訳(メタデータ) (2022-01-11T11:38:36Z) - 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) - Cross-individual Recognition of Emotions by a Dynamic Entropy based on
Pattern Learning with EEG features [2.863100352151122]
複数の個体の神経生理学的特徴に関連する情報的指標を抽象化するために,動的エントロピーに基づくパターン学習(DEPL)として表されるディープラーニングフレームワークを提案する。
DEPLは、ダイナミックエントロピーに基づく特徴の皮質位置間の相互依存性をモデル化することにより、ディープ畳み込みニューラルネットワークによって生成された表現の能力を向上した。
論文 参考訳(メタデータ) (2020-09-26T07:22:07Z) - 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) - Neuro-symbolic Neurodegenerative Disease Modeling as Probabilistic
Programmed Deep Kernels [93.58854458951431]
本稿では、神経変性疾患のパーソナライズされた予測モデリングのための、確率的プログラムによる深層カーネル学習手法を提案する。
我々の分析は、ニューラルネットワークとシンボリック機械学習のアプローチのスペクトルを考慮する。
我々は、アルツハイマー病の予測問題について評価を行い、深層学習を超越した結果を得た。
論文 参考訳(メタデータ) (2020-09-16T15:16:03Z) - sEMG Gesture Recognition with a Simple Model of Attention [0.0]
表面筋電図(sEMG)信号の分類について述べる。
新たなアテンションベースモデルにより,複数の業界標準データセットのベンチマーク結果が得られた。
この結果から,sEMGは将来の機械学習研究の道のりとして有望であることが示唆された。
論文 参考訳(メタデータ) (2020-06-05T19:28:16Z) - A Developmental Neuro-Robotics Approach for Boosting the Recognition of
Handwritten Digits [91.3755431537592]
近年のエビデンスでは、子どもの体現戦略をシミュレーションすることで、マシンインテリジェンスも改善できることが示されている。
本稿では,発達神経ロボティクスの文脈における畳み込みニューラルネットワークモデルへの具体的戦略の適用について検討する。
論文 参考訳(メタデータ) (2020-03-23T14:55:00Z) - Continuous Emotion Recognition via Deep Convolutional Autoencoder and
Support Vector Regressor [70.2226417364135]
マシンはユーザの感情状態を高い精度で認識できることが不可欠である。
ディープニューラルネットワークは感情を認識する上で大きな成功を収めている。
表情認識に基づく連続的感情認識のための新しいモデルを提案する。
論文 参考訳(メタデータ) (2020-01-31T17:47:16Z)
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。