論文の概要: MASA-TCN: Multi-anchor Space-aware Temporal Convolutional Neural
Networks for Continuous and Discrete EEG Emotion Recognition
- arxiv url: http://arxiv.org/abs/2308.16207v2
- Date: Wed, 13 Mar 2024 08:35:00 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-14 18:27:41.379341
- Title: MASA-TCN: Multi-anchor Space-aware Temporal Convolutional Neural
Networks for Continuous and Discrete EEG Emotion Recognition
- Title（参考訳）: MASA-TCN:マルチアンカー空間対応時空間畳み込みニューラルネットワーク
連続的かつ離散的な脳波認識のためのネットワーク
- Authors: Yi Ding, Su Zhang, Chuangao Tang, Cuntai Guan
- Abstract要約: 脳波の感情回帰と分類タスクのための新しいモデル MASA-TCN を提案する。
空間認識時間層は、TNがEEG電極間の空間関係から追加的に学習することを可能にする。
実験により、MASA-TCNは、脳波の感情回帰と分類タスクの両方において最先端の手法よりも高い結果が得られることが示された。
- 参考スコア（独自算出の注目度）: 11.882642356358883
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Emotion recognition using electroencephalogram (EEG) mainly has two
scenarios: classification of the discrete labels and regression of the
continuously tagged labels. Although many algorithms were proposed for
classification tasks, there are only a few methods for regression tasks. For
emotion regression, the label is continuous in time. A natural method is to
learn the temporal dynamic patterns. In previous studies, long short-term
memory (LSTM) and temporal convolutional neural networks (TCN) were utilized to
learn the temporal contextual information from feature vectors of EEG. However,
the spatial patterns of EEG were not effectively extracted. To enable the
spatial learning ability of TCN towards better regression and classification
performances, we propose a novel unified model, named MASA-TCN, for EEG emotion
regression and classification tasks. The space-aware temporal layer enables TCN
to additionally learn from spatial relations among EEG electrodes. Besides, a
novel multi-anchor block with attentive fusion is proposed to learn dynamic
temporal dependencies. Experiments on two publicly available datasets show
MASA-TCN achieves higher results than the state-of-the-art methods for both EEG
emotion regression and classification tasks. The code is available at
https://github.com/yi-ding-cs/MASA-TCN.
- Abstract（参考訳）: 脳波(EEG)を用いた感情認識は、主に、離散ラベルの分類と、継続的にタグ付けされたラベルの回帰の2つのシナリオを持つ。
分類タスクには多くのアルゴリズムが提案されているが、回帰タスクにはいくつかの方法しか存在しない。
感情の回帰については、ラベルは時間内に連続する。
自然な方法は時間的動的パターンを学ぶことである。
前回の研究では、脳波の特徴ベクトルから時間的文脈情報を学習するために、長期記憶(LSTM)と時相畳み込みニューラルネットワーク(TCN)が用いられた。
しかし,脳波の空間パターンは効果的に抽出されなかった。
そこで我々は,脳波の回帰と分類タスクのための新しい統合モデルであるMASA-TCNを提案する。
空間認識時間層は、TNがEEG電極間の空間関係から追加的に学習することを可能にする。
さらに,動的時間依存性を学習するために,注意融合を伴う新しいマルチアンカーブロックを提案する。
公開された2つのデータセットの実験では、MASA-TCNは、脳波の感情の回帰と分類タスクの両方のための最先端の手法よりも高い結果が得られる。
コードはhttps://github.com/yi-ding-cs/MASA-TCNで公開されている。
関連論文リスト
- EmT: A Novel Transformer for Generalized Cross-subject EEG Emotion Recognition [11.027908624804535]
感情トランス(EmT)と呼ばれる新しいトランスモデルを導入する。
EmTは、一般化されたクロスオブジェクトEEG感情分類と回帰タスクの両方において優れているように設計されている。
4つの公開データセットの実験により、EmTは脳波の感情分類と回帰タスクの両方のベースラインメソッドよりも高い結果が得られることが示された。
論文 参考訳（メタデータ） (2024-06-26T13:42:11Z) - NAC-TCN: Temporal Convolutional Networks with Causal Dilated
Neighborhood Attention for Emotion Understanding [60.74434735079253]
畳み込みTCN(NAC-TCN)を用いた近傍注意法を提案する。
これを実現するために、Dilated Neighborhood Attentionの因果バージョンを導入し、畳み込みを組み込んだ。
我々のモデルは、標準的な感情認識データセットに少ないパラメータを必要としながら、TCN、TCL、LSTM、GRUに匹敵する、より優れた、あるいは最先端のパフォーマンスを実現する。
論文 参考訳（メタデータ） (2023-12-12T18:41:30Z) - Braille Letter Reading: A Benchmark for Spatio-Temporal Pattern
Recognition on Neuromorphic Hardware [50.380319968947035]
近年の深層学習手法は,そのようなタスクにおいて精度が向上しているが,従来の組込みソリューションへの実装は依然として計算量が非常に高く,エネルギーコストも高い。
文字読み込みによるエッジにおける触覚パターン認識のための新しいベンチマークを提案する。
フィードフォワードとリカレントスパイキングニューラルネットワーク(SNN)を、サロゲート勾配の時間によるバックプロパゲーションを用いてオフラインでトレーニングし比較し、効率的な推論のためにIntel Loihimorphicチップにデプロイした。
LSTMは14%の精度で繰り返しSNNより優れており、Loihi上での繰り返しSNNは237倍のエネルギーである。
論文 参考訳（メタデータ） (2022-05-30T14:30:45Z) - Motor Imagery Classification based on CNN-GRU Network with
Spatio-Temporal Feature Representation [22.488536453952964]
近年、脳波(EEG)信号に様々なディープニューラルネットワークが応用されている。
脳波は非侵襲的に取得できる脳信号であり、時間分解能が高い。
脳波信号は高次元の分類特徴空間を持つため,性能向上には適切な特徴抽出法が必要である。
論文 参考訳（メタデータ） (2021-07-15T01:05:38Z) - Transformer-based Spatial-Temporal Feature Learning for EEG Decoding [4.8276709243429]
本稿では,主に注意機構に依存する新しい脳波復号法を提案する。
我々はより少ないパラメータで、脳波の多分類化における最先端のレベルに達しました。
脳-コンピュータインタフェース(BCI)の実用性を促進する大きな可能性を秘めている。
論文 参考訳（メタデータ） (2021-06-11T00:48:18Z) - TSception: Capturing Temporal Dynamics and Spatial Asymmetry from EEG
for Emotion Recognition [9.825158483198113]
TSceptionは、情動性脳波(EEG)から時相ダイナミクスを学ぶためのマルチスケール畳み込みニューラルネットワークである
提案手法は, 今後, 感情認識のための感情調節療法に用いることができる。
論文 参考訳（メタデータ） (2021-04-07T06:10:01Z) - TELESTO: A Graph Neural Network Model for Anomaly Classification in
Cloud Services [77.454688257702]
機械学習(ML)と人工知能(AI)はITシステムの運用とメンテナンスに適用される。
1つの方向は、修復自動化を可能にするために、繰り返し発生する異常タイプを認識することである。
与えられたデータの次元変化に不変な手法を提案する。
論文 参考訳（メタデータ） (2021-02-25T14:24:49Z) - Continuous Emotion Recognition with Spatiotemporal Convolutional Neural
Networks [82.54695985117783]
In-theld でキャプチャした長いビデオシーケンスを用いて,持続的な感情認識のための最先端のディープラーニングアーキテクチャの適合性を検討する。
我々は,2D-CNNと長期記憶ユニットを組み合わせた畳み込みリカレントニューラルネットワークと,2D-CNNモデルの微調整時の重みを膨らませて構築した膨らませた3D-CNNモデルを開発した。
論文 参考訳（メタデータ） (2020-11-18T13:42:05Z) - 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) - Incremental Training of a Recurrent Neural Network Exploiting a
Multi-Scale Dynamic Memory [79.42778415729475]
本稿では,マルチスケール学習を対象とする,漸進的に訓練された再帰的アーキテクチャを提案する。
隠れた状態を異なるモジュールに分割することで、シンプルなRNNのアーキテクチャを拡張する方法を示す。
新しいモジュールがモデルに反復的に追加され、徐々に長い依存関係を学習するトレーニングアルゴリズムについて議論する。
論文 参考訳（メタデータ） (2020-06-29T08:35:49Z) - TSception: A Deep Learning Framework for Emotion Detection Using EEG [11.444502210936776]
脳波(EEG)からの感情検出のための深層学習フレームワークTSceptionを提案する。
TSceptionは時間と空間の畳み込み層で構成され、時間とチャネル領域における識別的表現を同時に学習する。
TSceptionは86.03%の高い分類精度を達成し、従来の手法よりも大幅に優れている。
論文 参考訳（メタデータ） (2020-04-02T02:10:07Z)
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。