論文の概要: DreamNet: A Multimodal Framework for Semantic and Emotional Analysis of Sleep Narratives

• arxiv url: http://arxiv.org/abs/2503.05778v1
• Date: Wed, 26 Feb 2025 09:10:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-16 08:47:15.841143
• Title: DreamNet: A Multimodal Framework for Semantic and Emotional Analysis of Sleep Narratives
• Title（参考訳）: DreamNet:スリープナラティブのセマンティックおよび感情分析のためのマルチモーダルフレームワーク
• Authors: Tapasvi Panchagnula,
• Abstract要約: 本研究では,ドリームレポートからセマンティックテーマや感情状態をデコードする,新しいディープラーニングフレームワークDreamNetを紹介する。 1500の匿名化されたドリームストーリーのキュレートされたデータセットでは、DreamNetは92.1%の精度と88.4%のF1スコアをテキストのみのモードで達成している。 強い夢と感情の相関は、メンタルヘルス診断、認知科学、パーソナライズされた治療の可能性を強調している。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Dream narratives provide a unique window into human cognition and emotion, yet their systematic analysis using artificial intelligence has been underexplored. We introduce DreamNet, a novel deep learning framework that decodes semantic themes and emotional states from textual dream reports, optionally enhanced with REM-stage EEG data. Leveraging a transformer-based architecture with multimodal attention, DreamNet achieves 92.1% accuracy and 88.4% F1-score in text-only mode (DNet-T) on a curated dataset of 1,500 anonymized dream narratives, improving to 99.0% accuracy and 95.2% F1-score with EEG integration (DNet-M). Strong dream-emotion correlations (e.g., falling-anxiety, r = 0.91, p < 0.01) highlight its potential for mental health diagnostics, cognitive science, and personalized therapy. This work provides a scalable tool, a publicly available enriched dataset, and a rigorous methodology, bridging AI and psychological research.
• Abstract（参考訳）: 夢物語は人間の認知と感情にユニークな窓を提供するが、人工知能を用いた体系的な分析は過小評価されている。 本稿では,REMステージの脳波データを用いて,テキストドリームレポートから意味テーマと感情状態をデコードする新しいディープラーニングフレームワークであるDreamNetを紹介する。 マルチモーダルな注意を払ってトランスフォーマーベースのアーキテクチャを活用することで、DreamNetは1500の匿名化された夢物語のキュレートデータセット上で92.1%の精度と88.4%のF1スコアを達成し、EEG統合(DNet-M)による95.2%のF1スコアを向上した。 強い夢と感情の相関(例えば、転倒不安、r = 0.91, p < 0.01)は、精神保健診断、認知科学、パーソナライズされた治療の可能性を強調している。 この作業は、スケーラブルなツール、公開可能な拡張データセット、厳格な方法論、AIと心理学研究のブリッジを提供する。

関連論文リスト

• Making Your Dreams A Reality: Decoding the Dreams into a Coherent Video Story from fMRI Signals [46.90535445975669]
  本稿では,マルチメディアコミュニティにおける勇敢な新しいアイデアについて考察し,夢をコヒーレントなビデオ物語に変換するための新しい枠組みを提案する。 脳イメージングの最近の進歩、特に機能的磁気共鳴イメージング(fMRI)は、夢の神経基盤を探索する新しい方法を提供してきた。 主観的な夢体験と客観的な神経生理学的データを組み合わせることで、夢の視覚的側面を理解し、完全なビデオ物語を作成することを目指す。
  論文  参考訳（メタデータ） (2025-01-16T08:03:49Z)
• Measuring Psychological Depth in Language Models [50.48914935872879]
  本稿では,文学理論に根ざした新たな枠組みである心理的深度尺度(PDS)を紹介する。 PDS(0.72 クリッペンドルフのα)に基づいて人間が一貫して物語を評価できることを示し、我々の枠組みを実証的に検証する。 驚いたことに、GPT-4のストーリーはRedditから入手した高評価の人文記事と統計的に区別できない。
  論文  参考訳（メタデータ） (2024-06-18T14:51:54Z)
• Speech and Text-Based Emotion Recognizer [0.9168634432094885]
  我々は、音声感情認識のための公開データセットからバランスの取れたコーパスを構築する。 最良システムはマルチモーダル音声とテキストベースモデルであり,UA(Unweighed Accuracy)+WA(Weighed Accuracy)を119.66のベースラインアルゴリズムと比較して157.57の性能を提供する。
  論文  参考訳（メタデータ） (2023-12-10T05:17:39Z)
• Convolutional Neural Networks for Sentiment Analysis on Weibo Data: A Natural Language Processing Approach [0.228438857884398]
  本研究では,Weiboの119,988ツイートのデータセット上で,畳み込みニューラルネットワーク(CNN)を用いた感情分析の複雑な課題に対処する。 CNNに基づくモデルを用いて,特徴抽出に単語埋め込みを活用し,感情分類を行う訓練を行った。 このモデルは、テストセットで平均約0.73のマクロ平均F1スコアを達成し、正、中、負の感情でバランスの取れた性能を示した。
  論文  参考訳（メタデータ） (2023-07-13T03:02:56Z)
• LDEB -- Label Digitization with Emotion Binarization and Machine Learning for Emotion Recognition in Conversational Dialogues [0.0]
  会話における感情認識(ERC)は、会話AIとその応用の発展に不可欠である。 会話の対話は、各対話が感情の特徴記述子と感情タイプ(またはラベル)の関連を絡めるネストされた感情を描写するユニークな問題を示す。 テキスト正規化と7ビットディジタル符号化技術を用いて、ツイストをアンタングル化するLDEB(Label Digitization with Emotion Binarization)と呼ばれる新しい手法を提案する。
  論文  参考訳（メタデータ） (2023-06-03T20:37:46Z)
• Emotion Detection From Social Media Posts [2.3605348648054463]
  Twitterのようなソーシャルメディア投稿から得られたテキストデータから感情を識別する話題に対処する。 サポートベクトルマシン(SVM)、ネイブベイズ(Naive Bayes)、決定木(Decision Tree)、ランダムフォレスト(Random Forest)といった従来の機械学習技術や、LSTM、CNN、GRU、BiLSTM、BiGRUといったディープニューラルネットワークモデルをデプロイしました。
  論文  参考訳（メタデータ） (2023-02-11T05:52:33Z)
• Affection: Learning Affective Explanations for Real-World Visual Data [50.28825017427716]
  我々は,85,007枚の公開画像に対して,感情反応と自由形式のテキスト説明を含む大規模データセットを研究コミュニティに導入し,共有する。 本研究は, 被写体集団に大きな支持を得て, 潜在的に有意な感情反応をとらえる上で, 重要な共通基盤があることを示唆する。 私たちの研究は、より豊かで、より人間中心で、感情に敏感な画像分析システムへの道を開くものです。
  論文  参考訳（メタデータ） (2022-10-04T22:44:17Z)
• Open Vocabulary Electroencephalography-To-Text Decoding and Zero-shot Sentiment Classification [78.120927891455]
  最先端のブレイン・トゥ・テキストシステムは、ニューラルネットワークを使用して脳信号から直接言語を復号することに成功した。 本稿では,自然読解課題における語彙的脳波(EEG)-テキスト列列列復号化とゼロショット文感性分類に問題を拡張する。 脳波-テキストデコーディングで40.1%のBLEU-1スコア、ゼロショット脳波に基づく3次感情分類で55.6%のF1スコアを達成し、教師付きベースラインを著しく上回る結果となった。
  論文  参考訳（メタデータ） (2021-12-05T21:57:22Z)
• Model-based analysis of brain activity reveals the hierarchy of language in 305 subjects [82.81964713263483]
  言語の神経基盤を分解する一般的なアプローチは、個人間で異なる刺激に対する脳の反応を関連付けている。 そこで本研究では,自然刺激に曝露された被験者に対して,モデルに基づくアプローチが等価な結果が得られることを示す。
  論文  参考訳（メタデータ） (2021-10-12T15:30:21Z)
• EMOVIE: A Mandarin Emotion Speech Dataset with a Simple Emotional Text-to-Speech Model [56.75775793011719]
  音声ファイルを含む9,724のサンプルとその感情ラベル付きアノテーションを含むマンダリン感情音声データセットを導入,公開する。 入力として追加の参照音声を必要とするこれらのモデルとは異なり、我々のモデルは入力テキストから直接感情ラベルを予測し、感情埋め込みに基づいてより表現力のある音声を生成することができる。 実験段階では、まず感情分類タスクによってデータセットの有効性を検証し、次に提案したデータセットに基づいてモデルをトレーニングし、一連の主観評価を行う。
  論文  参考訳（メタデータ） (2021-06-17T08:34:21Z)
• Convolutional Neural Network for emotion recognition to assist psychiatrists and psychologists during the COVID-19 pandemic: experts opinion [0.0]
  心理学者と精神科医を対象としたリアルタイム感情認識Webアプリケーションについて紹介する。 ヒトのマイクロ表現は、CNNモデルで捉えられる本物の感情を記述することができる。 このWebアプリケーションは、システムユーザビリティ尺度(SUS)と、心理学者や精神科医によるユーティリティアンケートで評価された。
  論文  参考訳（メタデータ） (2020-05-15T17:09:10Z)

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。