論文の概要: Optimal EEG Electrode Set for Emotion Recognition From Brain Signals: An Empirical Quest

• arxiv url: http://arxiv.org/abs/2311.17204v1
• Date: Tue, 28 Nov 2023 20:18:42 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-30 23:28:47.909959
• Title: Optimal EEG Electrode Set for Emotion Recognition From Brain Signals: An Empirical Quest
• Title（参考訳）: 脳信号からの感情認識のための最適脳波電極セット : 経験的探求
• Authors: Rumman Ahmed Prodhan, Sumya Akter, Tanmoy Sarkar Pias, Md. Akhtaruzzaman Adnan
• Abstract要約: 人間の脳は複雑な器官であり、まだ完全には発見されていない。 近年の研究では、脳信号が感情認識に非常に有効であることが示されている。 感情提示における脳の各部位の貢献を実証的に分析した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: The human brain is a complex organ, still completely undiscovered, that controls almost all the parts of the body. Apart from survival, the human brain stimulates emotions. Recent research indicates that brain signals can be very effective for emotion recognition. However, which parts of the brain exhibit most of the emotions is still under-explored. In this study, we empirically analyze the contribution of each part of the brain in exhibiting emotions. We use the DEAP dataset to find the most optimal electrode set which eventually leads to the effective brain part associated with emotions. We use Fast Fourier Transformation for effective feature extraction and a 1D-CNN with residual connection for classification. Though 32 electrodes from the DEAP dataset got an accuracy of 97.34%, only 12 electrodes (F7, P8, O1, F8, C4, T7, PO3, Fp1, Fp2, O2, P3, and Fz) achieve 95.81% accuracy. This study also shows that adding more than 10 electrodes does not improve performance significantly. Moreover, the frontal lobe is the most important for recognizing emotion.
• Abstract（参考訳）: 人間の脳は複雑な器官であり、まだ完全には発見されていない。 生存とは別に、人間の脳は感情を刺激する。 近年の研究では、脳信号が感情認識に非常に有効であることが示されている。 しかし、脳のどの部分がほとんどの感情を示すかはまだ解明されていない。 本研究では,感情提示における脳の各部分の寄与を経験的に分析する。 私たちはDEAPデータセットを使用して、感情に関連する効果的な脳の部分につながる最も最適な電極セットを見つけます。 効率的な特徴抽出にはFast Fourier Transformation, 分類には残差接続を持つ1D-CNNを用いる。 DEAPデータセットの32電極の精度は97.34%であったが、わずか12電極(F7、P8、O1、F8、C4、T7、P3、Fp1、Fp2、O2、P3、Fz)で95.81%の精度が得られた。 また,10以上の電極を添加しても性能は向上しないことを示した。 さらに、前頭葉は感情を認識する上で最も重要なものである。

関連論文リスト

• Smile upon the Face but Sadness in the Eyes: Emotion Recognition based on Facial Expressions and Eye Behaviors [63.194053817609024]
  視覚行動は、視覚行動支援型マルチモーダル感情認識データセットを作成するための重要な感情的手がかりとなる。 EMERデータセットに感情認識(ER)と表情認識(FER)の両方のアノテーションを初めて提供する。 具体的には、ERとFERの両方のパフォーマンスを同時に向上する新しいEMERTアーキテクチャを設計する。
  論文  参考訳（メタデータ） (2024-11-08T04:53:55Z)
• Think out Loud: Emotion Deducing Explanation in Dialogues [57.90554323226896]
  対話における感情推論(Emotion Deducing Explanation in Dialogues)を提案する。 EDENは感情と原因を明確な考え方で認識する。 大規模言語モデル(LLM)が感情や原因をよりよく認識するのに役立ちます。
  論文  参考訳（メタデータ） (2024-06-07T08:58:29Z)
• EEG2TEXT: Open Vocabulary EEG-to-Text Decoding with EEG Pre-Training and Multi-View Transformer [4.863362296028391]
  本稿では,脳波からテキストへのデコーディングの精度を向上させる新しい手法を提案する。 EEG2 TEXTUREは、コミュニケーションを容易にするための高性能なオープン語彙脳-テキストシステムの可能性を示している。
  論文  参考訳（メタデータ） (2024-05-03T15:14:19Z)
• Emotion Analysis on EEG Signal Using Machine Learning and Neural Network [0.0]
  本研究の目的は,脳信号を用いた感情認識能力の向上である。 人間と機械の相互作用技術への様々なアプローチは長い間進行中であり、近年では脳信号を使って感情を自動的に理解することに成功した。
  論文  参考訳（メタデータ） (2023-07-09T09:50:34Z)
• Emotion Recognition With Temporarily Localized 'Emotional Events' in Naturalistic Context [1.7205106391379026]
  我々は脳波信号を用いて、Valence(V)次元とArousal(A)次元の異なる組み合わせで感情事象を分類する。 感情に関する正確な情報を持つことで、長期の脳波信号と比較して分類精度が向上する。
  論文  参考訳（メタデータ） (2022-10-25T10:01:40Z)
• Human Emotion Classification based on EEG Signals Using Recurrent Neural Network And KNN [0.0]
  脳波データからの感情分類が最近注目されている。 脳波信号は脳-コンピュータインタフェースにとって重要なリソースである。 チャネル選択前処理により, 善, 中, 負の感情に関連する脳波信号が同定された。
  論文  参考訳（メタデータ） (2022-05-10T16:20:14Z)
• Stimuli-Aware Visual Emotion Analysis [75.68305830514007]
  本稿では,刺激選択,特徴抽出,感情予測の3段階からなる刺激認識型視覚感情分析(VEA)手法を提案する。 我々の知る限りでは、エンド・ツー・エンドのネットワークでVEAに刺激選択プロセスを導入するのは初めてです。 実験により、提案手法は、4つの公的な視覚的感情データセットに対する最先端のアプローチよりも一貫して優れていることが示された。
  論文  参考訳（メタデータ） (2021-09-04T08:14:52Z)
• A Circular-Structured Representation for Visual Emotion Distribution Learning [82.89776298753661]
  視覚的感情分布学習に先立つ知識を活用するために,身近な円形構造表現を提案する。 具体的には、まず感情圏を構築し、その内にある感情状態を統一する。 提案した感情圏では、各感情分布は3つの属性で定義される感情ベクトルで表される。
  論文  参考訳（メタデータ） (2021-06-23T14:53:27Z)
• 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)
• Emotion Recognition From Gait Analyses: Current Research and Future Directions [48.93172413752614]
  歩行はウォーカーの感情に関する情報を伝える 様々な感情と歩行パターンのマッピングは、感情の自動認識のための新しい情報源を提供する。 歩行は遠隔観察可能で 模倣が困難で 被験者との協力も少ない
  論文  参考訳（メタデータ） (2020-03-13T08:22:33Z)
• Emo-CNN for Perceiving Stress from Audio Signals: A Brain Chemistry Approach [2.4087148947930634]
  音声信号から人間のストレスをモデル化する手法を提案する。 Emo-CNNは、人気の高い既存のメソッドよりも一貫して、大幅に優れています。 ロブハイムの立方体は、これらの神経伝達物質と3次元空間における感情の位置との関係を説明することを目的としている。
  論文  参考訳（メタデータ） (2020-01-08T01:01:48Z)

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。