Fugu-MT 論文翻訳(概要): Emotion Detection from EEG using Transfer Learning

論文の概要: Emotion Detection from EEG using Transfer Learning

arxiv url: http://arxiv.org/abs/2306.05680v1
Date: Fri, 9 Jun 2023 05:43:06 GMT
ステータス: 処理完了
システム内更新日: 2023-06-12 14:37:45.882114
Title: Emotion Detection from EEG using Transfer Learning
Title（参考訳）: 伝達学習を用いた脳波からの感情検出
Authors: Sidharth Sidharth, Ashish Abraham Samuel, Ranjana H, Jerrin Thomas Panachakel, Sana Parveen K
Abstract要約: 我々は,脳波に基づく感情検出において,限られたデータ可用性の課題を克服するために伝達学習を採用した。モデルへの入力は、平均位相コヒーレンス (MPC) と正方形コヒーレンス (MSC) からなる画像行列の形で行われる。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: The detection of emotions using an Electroencephalogram (EEG) is a crucial area in brain-computer interfaces and has valuable applications in fields such as rehabilitation and medicine. In this study, we employed transfer learning to overcome the challenge of limited data availability in EEG-based emotion detection. The base model used in this study was Resnet50. Additionally, we employed a novel feature combination in EEG-based emotion detection. The input to the model was in the form of an image matrix, which comprised Mean Phase Coherence (MPC) and Magnitude Squared Coherence (MSC) in the upper-triangular and lower-triangular matrices, respectively. We further improved the technique by incorporating features obtained from the Differential Entropy (DE) into the diagonal, which previously held little to no useful information for classifying emotions. The dataset used in this study, SEED EEG (62 channel EEG), comprises three classes (Positive, Neutral, and Negative). We calculated both subject-independent and subject-dependent accuracy. The subject-dependent accuracy was obtained using a 10-fold cross-validation method and was 93.1%, while the subject-independent classification was performed by employing the leave-one-subject-out (LOSO) strategy. The accuracy obtained in subject-independent classification was 71.6%. Both of these accuracies are at least twice better than the chance accuracy of classifying 3 classes. The study found the use of MSC and MPC in EEG-based emotion detection promising for emotion classification. The future scope of this work includes the use of data augmentation techniques, enhanced classifiers, and better features for emotion classification.
Abstract（参考訳）: 脳波(EEG)を用いた感情の検出は、脳とコンピュータのインターフェースにおいて重要な領域であり、リハビリテーションや医療などの分野で貴重な応用がある。本研究では,脳波に基づく感情検出において,限られたデータ可用性の課題を克服するために伝達学習を用いた。この研究で使用されたベースモデルはResnet50である。また,脳波による感情検出に新たな特徴の組み合わせを取り入れた。モデルへの入力は, 平均位相コヒーレンス (MPC) と正方形コヒーレンス (MSC) を, 上三角行列と下三角行列でそれぞれ構成した画像行列の形で行った。従来,感情の分類に有用な情報はほとんど得られなかった,差分エントロピー(DE)から得られる特徴を対角線に組み込むことにより,さらに改良した。この研究で使用されるSEED EEG (62 channel EEG) は、正、中、負の3つのクラスから構成される。対象非依存および対象依存の精度を算出した。被検者別精度は10倍のクロスバリデーション法で93.1%, 被検者別分類はLOSO(Left-one-subject-out)法を用いて行った。被験者別分類の精度は71.6%であった。これらの精度は3つのクラスを分類する確率よりも少なくとも2倍高い。この研究は、感情分類を約束する脳波に基づく感情検出にMSCとMPCを使用することを発見した。この研究の今後の範囲には、データ拡張技術の使用、強化された分類器、感情分類のためのより良い機能が含まれる。

関連論文リスト

Deep Learning-based Classification of Dementia using Image Representation of Subcortical Signals [4.17085180769512]
アルツハイマー病 (AD) と前頭側頭型認知症 (FTD) は認知症の一般的な形態であり、それぞれ異なる進行パターンを持つ。本研究は,脳深部領域の時系列信号を解析し,認知症に対する深い学習に基づく分類システムを開発することを目的とする。
論文参考訳（メタデータ） (2024-08-20T13:11:43Z)
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)
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)
Unveiling Emotions from EEG: A GRU-Based Approach [2.580765958706854]
ゲーテッド・リカレント・ユニット(GRU)アルゴリズムは、感情状態を予測するために脳波信号が使えるかどうかをテストする。我々の公開データセットは、幸せ、中立、ネガティブな感情を呼び起こす刺激にさらされた人々の脳波記録と同様に、中立なデータを休ませることから成り立っている。
論文参考訳（メタデータ） (2023-07-20T11:04:46Z)
fMRI from EEG is only Deep Learning away: the use of interpretable DL to unravel EEG-fMRI relationships [68.8204255655161]
多チャンネル脳波データからいくつかの皮質下領域の活性を回復するための解釈可能な領域基底解を提案する。我々は,皮質下核の血行動態信号の頭皮脳波予測の空間的・時間的パターンを復元する。
論文参考訳（メタデータ） (2022-10-23T15:11:37Z)
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)
Contrastive Learning of Subject-Invariant EEG Representations for Cross-Subject Emotion Recognition [9.07006689672858]
本稿では、信頼度の高いクロスオブジェクト感情認識のためのISAのためのコントラスト学習法を提案する。 ISAは、異なる刺激に対して同じ刺激を受けた被験者間での脳波信号の類似性を最大化する。脳波信号から物体間表現を学習するために,深部空間畳み込み層と時間畳み込み層を有する畳み込みニューラルネットワークを適用した。
論文参考訳（メタデータ） (2021-09-20T14:13:45Z)
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)
Emotional EEG Classification using Connectivity Features and Convolutional Neural Networks [81.74442855155843]
CNNと脳のつながりを利用した新しい分類システムを導入し,その効果を感情映像分類により検証する。対象映像の感情的特性に関連する脳接続の集中度は分類性能と相関する。
論文参考訳（メタデータ） (2021-01-18T13:28:08Z)
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)
ECG-DelNet: Delineation of Ambulatory Electrocardiograms with Mixed Quality Labeling Using Neural Networks [69.25956542388653]
ディープラーニング(DL)アルゴリズムは、学術的、産業的にも重くなっている。セグメンテーションフレームワークにECGの検出とデライン化を組み込むことにより、低解釈タスクにDLをうまく適用できることを実証する。このモデルは、PhyloNetのQTデータベースを使用して、105個の増幅ECG記録から訓練された。
論文参考訳（メタデータ） (2020-05-11T16:29:12Z)

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。