Fugu-MT 論文翻訳(概要): Recording Brain Activity While Listening to Music Using Wearable EEG Devices Combined with Bidirectional Long Short-Term Memory Networks

論文の概要: Recording Brain Activity While Listening to Music Using Wearable EEG Devices Combined with Bidirectional Long Short-Term Memory Networks

arxiv url: http://arxiv.org/abs/2408.12124v1
Date: Thu, 22 Aug 2024 04:32:22 GMT
ステータス: 処理完了
システム内更新日: 2024-08-23 15:13:16.509962
Title: Recording Brain Activity While Listening to Music Using Wearable EEG Devices Combined with Bidirectional Long Short-Term Memory Networks
Title（参考訳）: 双方向長期記憶ネットワークを用いたウェアラブル脳波デバイスを用いた音楽聴取時の脳活動記録
Authors: Jingyi Wang, Zhiqun Wang, Guiran Liu,
Abstract要約: 本研究は、音楽を聴きながら脳波信号を効率的に記録・分析することの課題に対処することを目的とする。脳波信号処理のためのBi-LSTMネットワークとアテンション機構を組み合わせた手法を提案する。 Bi-LSTM-AttGWモデルは、SEEDデータセットで98.28%、DEAデータセットで92.46%の精度を達成した。
参考スコア（独自算出の注目度）: 1.5570182378422728
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Electroencephalography (EEG) signals are crucial for investigating brain function and cognitive processes. This study aims to address the challenges of efficiently recording and analyzing high-dimensional EEG signals while listening to music to recognize emotional states. We propose a method combining Bidirectional Long Short-Term Memory (Bi-LSTM) networks with attention mechanisms for EEG signal processing. Using wearable EEG devices, we collected brain activity data from participants listening to music. The data was preprocessed, segmented, and Differential Entropy (DE) features were extracted. We then constructed and trained a Bi-LSTM model to enhance key feature extraction and improve emotion recognition accuracy. Experiments were conducted on the SEED and DEAP datasets. The Bi-LSTM-AttGW model achieved 98.28% accuracy on the SEED dataset and 92.46% on the DEAP dataset in multi-class emotion recognition tasks, significantly outperforming traditional models such as SVM and EEG-Net. This study demonstrates the effectiveness of combining Bi-LSTM with attention mechanisms, providing robust technical support for applications in brain-computer interfaces (BCI) and affective computing. Future work will focus on improving device design, incorporating multimodal data, and further enhancing emotion recognition accuracy, aiming to achieve practical applications in real-world scenarios.
Abstract（参考訳）: 脳波(EEG)信号は脳機能や認知過程を研究する上で重要である。本研究は,感情状態を認識するために音楽を聴きながら高次元脳波信号を効率的に記録・解析することの課題に対処することを目的とする。脳波信号処理のための2方向長短期記憶(Bidirectional Long Short-Term Memory, Bi-LSTM)ネットワークとアテンション機構を組み合わせた手法を提案する。ウェアラブル脳波デバイスを用いて、音楽を聴く参加者の脳活動データを収集した。データは前処理され,セグメント化され,差分エントロピー(DE)の特徴が抽出された。次に、重要特徴抽出を強化し、感情認識精度を向上させるために、Bi-LSTMモデルを構築し、訓練した。 SEEDおよびDEAPデータセットを用いて実験を行った。 Bi-LSTM-AttGWモデルは、SEEDデータセットで98.28%、DEAデータセットで92.46%の精度を達成し、SVMやEEG-Netといった従来のモデルよりも大幅に優れていた。本研究では,Bi-LSTMとアテンション機構を組み合わせることにより,脳-コンピュータインタフェース(BCI)や情緒的コンピューティングにおけるアプリケーションに対して,堅牢な技術サポートを提供する。今後は、デバイス設計の改善、マルチモーダルデータの導入、感情認識の精度の向上に注力し、現実のシナリオにおける実用的な応用の実現を目指している。

関連論文リスト

Emotion-Agent: Unsupervised Deep Reinforcement Learning with Distribution-Prototype Reward for Continuous Emotional EEG Analysis [2.1645626994550664]
連続脳波(EEG)信号は、感情脳-コンピュータインターフェース(aBCI)の応用に広く用いられている。脳波信号から関連性および情報的感情モーメントを自動的に識別する,非教師なしの深層強化学習フレームワーク Emotion-Agent を提案する。 Emotion-AgentはPPO(Proximal Policy Optimization)を用いて訓練され、安定かつ効率的な収束を実現する。
論文参考訳（メタデータ） (2024-08-22T04:29:25Z)
Decoding Human Emotions: Analyzing Multi-Channel EEG Data using LSTM Networks [0.0]
本研究では、Long Short-Term Memory (LSTM) ネットワークを用いて脳波信号を解析することにより、感情状態分類の予測精度を向上することを目的とする。 DEAPとして知られる多チャンネル脳波記録の一般的なデータセットを用いて、LSTMネットワークの特性を活用して、脳波信号データ内の時間的依存関係を処理する。感情認識モデルの能力は, それぞれ89.89%, 90.33%, 90.70%, 90.54%であった。
論文参考訳（メタデータ） (2024-08-19T18:10:47Z)
MEEG and AT-DGNN: Improving EEG Emotion Recognition with Music Introducing and Graph-based Learning [3.840859750115109]
音楽誘発脳波(EEG)記録のマルチモーダルコレクションであるMEEGデータセットについて述べる。本稿では,脳波に基づく感情認識のための新しいフレームワークである動的グラフニューラルネットワーク(AT-DGNN)を用いた注意に基づく時間学習について紹介する。
論文参考訳（メタデータ） (2024-07-08T01:58:48Z)
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)
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)
2021 BEETL Competition: Advancing Transfer Learning for Subject Independence & Heterogenous EEG Data Sets [89.84774119537087]
我々は、診断とBCI(Brain-Computer-Interface)に関する2つの伝達学習課題を設計する。第1タスクは、患者全体にわたる自動睡眠ステージアノテーションに対処する医療診断に重点を置いている。タスク2はBrain-Computer Interface (BCI)に集中しており、被験者とデータセットの両方にわたる運動画像のデコードに対処する。
論文参考訳（メタデータ） (2022-02-14T12:12:20Z)
EEGminer: Discovering Interpretable Features of Brain Activity with Learnable Filters [72.19032452642728]
本稿では,学習可能なフィルタと事前決定された特徴抽出モジュールからなる新しい識別可能なEEGデコーディングパイプラインを提案する。我々は,SEEDデータセットおよび前例のない大きさの新たな脳波データセット上で,脳波信号からの感情認識に向けたモデルの有用性を実証する。発見された特徴は、以前の神経科学の研究と一致し、音楽聴取中の左右の時間領域間の機能的接続プロファイルの顕著な相違など、新たな洞察を提供する。
論文参考訳（メタデータ） (2021-10-19T14:22:04Z)
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)
Deep Feature Mining via Attention-based BiLSTM-GCN for Human Motor Imagery Recognition [9.039355687614076]
本稿では,頭皮脳波に基づく極めて高精度かつ応答性の高い運動画像(MI)認識を目的とした,新しい深層学習手法を提案する。注意機構を持つBiLSTMは、生の脳波信号から関連する特徴を導出する。 0.4秒検出フレームワークは、それぞれ98.81%と94.64%の精度で、個人およびグループレベルのトレーニングに基づいて効率的かつ効率的な予測を行っている。
論文参考訳（メタデータ） (2020-05-02T10:03:40Z)
DeepBrain: Towards Personalized EEG Interaction through Attentional and Embedded LSTM Learning [20.300051894095173]
本稿では,低コストデバイスであるDeepBrainからの粗い脳波信号の組込み学習を通じて,脳-ロボット間相互作用(BRI)を実現するエンド・ツー・エンドのソリューションを提案する。 1)脳波信号の時間依存性とその分類を扱うための特定の前処理技術を備えた長期記憶(拡張LSTM)構造を提案する。我々の実世界の実験は、低コストで提案されたエンドツーエンドのソリューションが、良好な実行速度、精度、エネルギー効率を実現することを実証している。
論文参考訳（メタデータ） (2020-02-06T03:34:08Z)
EEG-based Brain-Computer Interfaces (BCIs): A Survey of Recent Studies on Signal Sensing Technologies and Computational Intelligence Approaches and their Applications [65.32004302942218]
Brain-Computer Interface (BCI) はユーザとシステム間の強力なコミュニケーションツールである。近年の技術進歩は、脳波(EEG)に基づく翻訳医療用BCIへの関心が高まっている。
論文参考訳（メタデータ） (2020-01-28T10:36:26Z)

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。