論文の概要: Joint Contrastive Learning with Feature Alignment for Cross-Corpus EEG-based Emotion Recognition

• arxiv url: http://arxiv.org/abs/2404.09559v1
• Date: Mon, 15 Apr 2024 08:21:17 GMT
• ステータス: 処理完了
• システム内更新日: 2024-04-16 13:00:02.013654
• Title: Joint Contrastive Learning with Feature Alignment for Cross-Corpus EEG-based Emotion Recognition
• Title（参考訳）: クロスコーパス脳波を用いた感情認識のための特徴アライメントを用いた共同コントラスト学習
• Authors: Qile Liu, Zhihao Zhou, Jiyuan Wang, Zhen Liang,
• Abstract要約: 我々は,クロスコーパス脳波に基づく感情認識に対処するために,特徴アライメントを用いた新しいコントラスト学習フレームワークを提案する。 事前学習段階では、脳波信号の一般化可能な時間周波数表現を特徴付けるために、共同領域コントラスト学習戦略を導入する。 微調整の段階では、JCFAは脳電極間の構造的接続を考慮した下流タスクと共に洗練される。
• 参考スコア（独自算出の注目度）: 2.1645626994550664
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The integration of human emotions into multimedia applications shows great potential for enriching user experiences and enhancing engagement across various digital platforms. Unlike traditional methods such as questionnaires, facial expressions, and voice analysis, brain signals offer a more direct and objective understanding of emotional states. However, in the field of electroencephalography (EEG)-based emotion recognition, previous studies have primarily concentrated on training and testing EEG models within a single dataset, overlooking the variability across different datasets. This oversight leads to significant performance degradation when applying EEG models to cross-corpus scenarios. In this study, we propose a novel Joint Contrastive learning framework with Feature Alignment (JCFA) to address cross-corpus EEG-based emotion recognition. The JCFA model operates in two main stages. In the pre-training stage, a joint domain contrastive learning strategy is introduced to characterize generalizable time-frequency representations of EEG signals, without the use of labeled data. It extracts robust time-based and frequency-based embeddings for each EEG sample, and then aligns them within a shared latent time-frequency space. In the fine-tuning stage, JCFA is refined in conjunction with downstream tasks, where the structural connections among brain electrodes are considered. The model capability could be further enhanced for the application in emotion detection and interpretation. Extensive experimental results on two well-recognized emotional datasets show that the proposed JCFA model achieves state-of-the-art (SOTA) performance, outperforming the second-best method by an average accuracy increase of 4.09% in cross-corpus EEG-based emotion recognition tasks.
• Abstract（参考訳）: マルチメディアアプリケーションへの人間の感情の統合は、ユーザー体験を豊かにし、様々なデジタルプラットフォームにおけるエンゲージメントを高める大きな可能性を示している。 質問、表情、音声分析のような伝統的な方法とは異なり、脳信号は感情状態をより直接的で客観的に理解する。 しかし、脳波に基づく感情認識(EEG)の分野では、従来の研究は主に1つのデータセット内の脳波モデルのトレーニングとテストに集中しており、異なるデータセット間での変動性を見越している。 この監視は、クロスコーパスシナリオにEEGモデルを適用する際に、大幅なパフォーマンス低下をもたらす。 本研究では,クロスコーパス脳波に基づく感情認識に対処するため,JCFA(Joint Contrastive Learning framework with Feature Alignment)を提案する。 JCFAモデルは2つの主要な段階で動作する。 事前学習段階では、ラベル付きデータを用いることなく、EEG信号の一般化可能な時間周波数表現を特徴付ける共同領域コントラスト学習戦略を導入する。 各EEGサンプルに対して、堅牢な時間ベースおよび周波数ベースの埋め込みを抽出し、共有潜時空間に整列する。 微調整の段階では、JCFAは脳電極間の構造的接続を考慮した下流タスクと共に洗練される。 モデル能力は感情の検出と解釈の応用のためにさらに強化される可能性がある。 2つのよく認識された感情データセットの大規模な実験結果から、提案したJCFAモデルが最先端(SOTA)のパフォーマンスを達成し、クロスコーパス脳波に基づく感情認識タスクにおいて平均4.09%の精度で第2のベストメソッドを上回ります。

関連論文リスト

• Multi-modal Mood Reader: Pre-trained Model Empowers Cross-Subject Emotion Recognition [23.505616142198487]
  我々は、クロスオブジェクト感情認識のための訓練済みモデルに基づくMultimodal Mood Readerを開発した。 このモデルは、大規模データセットの事前学習を通じて、脳波信号の普遍的な潜在表現を学習する。 公開データセットに関する大規模な実験は、クロスオブジェクト感情認識タスクにおけるMood Readerの優れたパフォーマンスを示している。
  論文  参考訳（メタデータ） (2024-05-28T14:31:11Z)
• 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)
• Two in One Go: Single-stage Emotion Recognition with Decoupled Subject-context Transformer [78.35816158511523]
  単段階の感情認識手法として,DSCT(Decoupled Subject-Context Transformer)を用いる。 広範に使われている文脈認識型感情認識データセットであるCAER-SとEMOTICの単段階フレームワークの評価を行った。
  論文  参考訳（メタデータ） (2024-04-26T07:30:32Z)
• 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)
• EEGMatch: Learning with Incomplete Labels for Semi-Supervised EEG-based Cross-Subject Emotion Recognition [7.1695247553867345]
  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。
  論文  参考訳（メタデータ） (2023-03-27T12:02:33Z)
• Data augmentation for learning predictive models on EEG: a systematic comparison [79.84079335042456]
  脳波(EEG)分類タスクの深層学習は、ここ数年急速に増加している。 EEG分類タスクのディープラーニングは、比較的小さなEEGデータセットによって制限されている。 データ拡張は、コンピュータビジョンや音声などのアプリケーションにまたがる最先端のパフォーマンスを得るために重要な要素となっている。
  論文  参考訳（メタデータ） (2022-06-29T09:18:15Z)
• Multimodal Emotion Recognition using Transfer Learning from Speaker Recognition and BERT-based models [53.31917090073727]
  本稿では,音声とテキストのモダリティから,伝達学習モデルと微調整モデルとを融合したニューラルネットワークによる感情認識フレームワークを提案する。 本稿では,対話型感情的モーションキャプチャー・データセットにおけるマルチモーダル・アプローチの有効性を評価する。
  論文  参考訳（メタデータ） (2022-02-16T00:23:42Z)
• 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)
• Subject Independent Emotion Recognition using EEG Signals Employing Attention Driven Neural Networks [2.76240219662896]
  主観非依存の感情認識が可能な新しいディープラーニングフレームワークを提案する。 タスクを実行するために、アテンションフレームワークを備えた畳み込みニューラルネットワーク(CNN)を提示する。 提案手法は、公開データセットを使用して検証されている。
  論文  参考訳（メタデータ） (2021-06-07T09:41:15Z)
• 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。