論文の概要: Interpretable Multi-Task PINN for Emotion Recognition and EDA Prediction
- arxiv url: http://arxiv.org/abs/2505.18169v1
- Date: Wed, 14 May 2025 03:13:51 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-06-01 23:16:01.422279
- Title: Interpretable Multi-Task PINN for Emotion Recognition and EDA Prediction
- Title（参考訳）: 感情認識とEDA予測のための解釈可能なマルチタスクPINN
- Authors: Nischal Mandal,
- Abstract要約: 本研究では,電場活動(EDA)予測と感情分類を同時に行う新しいマルチタスク物理情報ニューラルネットワーク(PINN)を提案する。
このモデルは、心理学的自己報告特徴(PANASとSAM)と、EDAダイナミクスを表す物理学に着想を得た微分方程式を統合する。
このアーキテクチャは両方のタスクに対して二重出力をサポートし、統一されたマルチタスクフレームワークの下で訓練される。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Understanding and predicting human emotional and physiological states using wearable sensors has important applications in stress monitoring, mental health assessment, and affective computing. This study presents a novel Multi-Task Physics-Informed Neural Network (PINN) that performs Electrodermal Activity (EDA) prediction and emotion classification simultaneously, using the publicly available WESAD dataset. The model integrates psychological self-report features (PANAS and SAM) with a physics-inspired differential equation representing EDA dynamics, enforcing biophysically grounded constraints through a custom loss function. This loss combines EDA regression, emotion classification, and a physics residual term for improved interpretability. The architecture supports dual outputs for both tasks and is trained under a unified multi-task framework. Evaluated using 5-fold cross-validation, the model achieves an average EDA RMSE of 0.0362, Pearson correlation of 0.9919, and F1-score of 94.08 percent. These results outperform classical models such as SVR and XGBoost, as well as ablated variants like emotion-only and EDA-only models. In addition, the learned physical parameters including decay rate (alpha_0), emotional sensitivity (beta), and time scaling (gamma) are interpretable and stable across folds, aligning with known principles of human physiology. This work is the first to introduce a multi-task PINN framework for wearable emotion recognition, offering improved performance, generalizability, and model transparency. The proposed system provides a foundation for future interpretable and multimodal applications in healthcare and human-computer interaction.
- Abstract（参考訳）: ウェアラブルセンサーを用いた人間の感情や生理状態の理解と予測は、ストレスモニタリング、メンタルヘルスアセスメント、感情コンピューティングにおいて重要な応用となる。
本研究では,電子運動(EDA)予測と感情分類を同時に行う新しいマルチタスク物理情報ニューラルネットワーク(PINN)を提案する。
このモデルは、心理学的自己報告機能(PANASとSAM)と、EDAダイナミクスを表す物理学に着想を得た微分方程式を統合し、カスタムロス関数を通じて、生物物理学的に基礎付けられた制約を強制する。
この損失は、EDA回帰、感情分類、および解釈可能性の向上のための物理学的残留項を組み合わせたものである。
このアーキテクチャは両方のタスクに対して二重出力をサポートし、統一されたマルチタスクフレームワークの下で訓練される。
5倍のクロスバリデーションを用いて評価し、平均EDA RMSEは0.0362、ピアソン相関は0.9919、F1スコアは94.08パーセントである。
これらの結果は、SVRやXGBoostのような古典的なモデルよりも優れており、感情のみのモデルやEDAのみのモデルのような改良されたモデルよりも優れている。
さらに、崩壊率(アルファ_0)、感情感度(ベータ)、時間スケーリング(ガンマ)などの学習された物理パラメータは、人間の生理学の既知の原理と整合して、折り畳みに解釈可能で安定している。
この研究は、ウェアラブル感情認識のためのマルチタスクPINNフレームワークを初めて導入し、パフォーマンス、一般化可能性、モデルの透明性を改善した。
提案システムは、医療と人間とコンピュータの相互作用における将来の解釈可能およびマルチモーダルな応用の基礎を提供する。
関連論文リスト
- Physics Inspired Hybrid Attention for SAR Target Recognition [61.01086031364307]
本稿では,物理にヒントを得たハイブリットアテンション(PIHA)機構と,この問題に対処するためのOFA評価プロトコルを提案する。
PIHAは、物理的情報の高レベルなセマンティクスを活用して、ターゲットの局所的なセマンティクスを認識した特徴群を活性化し、誘導する。
提案手法は,ASCパラメータが同じ12のテストシナリオにおいて,他の最先端手法よりも優れている。
論文 参考訳（メタデータ） (2023-09-27T14:39:41Z) - A Novel Loss Function Utilizing Wasserstein Distance to Reduce
Subject-Dependent Noise for Generalizable Models in Affective Computing [0.4818210066519976]
感情は人間の行動の重要な部分であり、思考、意思決定、コミュニケーションスキルに影響を与える可能性がある。
感情を正確に監視し識別する能力は、行動訓練、感情的幸福の追跡、人間とコンピュータのインターフェイスの開発など、多くの人間中心のアプリケーションで有用である。
論文 参考訳（メタデータ） (2023-08-17T01:15:26Z) - A Hierarchical Regression Chain Framework for Affective Vocal Burst
Recognition [72.36055502078193]
本稿では,声帯からの感情認識のための連鎖回帰モデルに基づく階層的枠組みを提案する。
データスパシティの課題に対処するため、レイヤワイドおよび時間アグリゲーションモジュールを備えた自己教師付き学習(SSL)表現も使用しています。
提案されたシステムは、ACII Affective Vocal Burst (A-VB) Challenge 2022に参加し、「TWO」および「CULTURE」タスクで第1位となった。
論文 参考訳（メタデータ） (2023-03-14T16:08:45Z) - Differentiable Agent-based Epidemiology [71.81552021144589]
GradABM(GradABM)は、エージェントベースのモデリングのためのスケーラブルで微分可能な設計で、勾配に基づく学習と自動微分が可能である。
GradABMは、コモディティハードウェア上で数秒で数百万の人口をシミュレートし、ディープニューラルネットワークと統合し、異種データソースを取り込みます。
論文 参考訳（メタデータ） (2022-07-20T07:32:02Z) - Capturing Actionable Dynamics with Structured Latent Ordinary
Differential Equations [68.62843292346813]
本稿では,その潜在表現内でのシステム入力の変動をキャプチャする構造付き潜在ODEモデルを提案する。
静的変数仕様に基づいて,本モデルではシステムへの入力毎の変動要因を学習し,潜在空間におけるシステム入力の影響を分離する。
論文 参考訳（メタデータ） (2022-02-25T20:00:56Z) - Mixed Effects Neural ODE: A Variational Approximation for Analyzing the
Dynamics of Panel Data [50.23363975709122]
パネルデータ解析に(固定・ランダムな)混合効果を取り入れたME-NODEという確率モデルを提案する。
我々は、Wong-Zakai定理によって提供されるSDEの滑らかな近似を用いて、我々のモデルを導出できることを示す。
次に、ME-NODEのためのエビデンスに基づく下界を導出し、(効率的な)トレーニングアルゴリズムを開発する。
論文 参考訳（メタデータ） (2022-02-18T22:41:51Z) - A Brief Survey of Machine Learning Methods for Emotion Prediction using
Physiological Data [0.974672460306765]
本稿では,スマートフォンや生理データをリアルタイムに予測するための機械学習手法について検討する。
本稿では,正確な感情予測を実現するための機械学習手法の多様性を示す。
今後の作業では、以下の問題を考慮し、パフォーマンスを改善することができる。
論文 参考訳（メタデータ） (2022-01-17T19:46:12Z) - Improving Prediction of Cognitive Performance using Deep Neural Networks
in Sparse Data [2.867517731896504]
MIDUS(Midlife in the United States)の観察・コホート研究から得られたデータを用いて,エグゼクティブ機能とエピソード記憶測定をモデル化した。
ディープニューラルネットワーク(DNN)モデルは、認知パフォーマンス予測タスクの中で一貫して最高である。
論文 参考訳（メタデータ） (2021-12-28T22:23:08Z) - TRiPOD: Human Trajectory and Pose Dynamics Forecasting in the Wild [77.59069361196404]
TRiPODは、グラフの注目ネットワークに基づいて身体のダイナミクスを予測する新しい方法です。
実世界の課題を取り入れるために,各フレームで推定された身体関節が可視・視認可能かどうかを示す指標を学習する。
評価の結果,TRiPODは,各軌道に特化して設計され,予測タスクに特化している。
論文 参考訳（メタデータ） (2021-04-08T20:01:00Z) - Synthesizing Skeletal Motion and Physiological Signals as a Function of
a Virtual Human's Actions and Emotions [10.59409233835301]
本研究では, 同期運動, 心電図, 血圧, 呼吸, 皮膚伝導信号の計算モデルからなるシステムを開発した。
提案されたフレームワークはモジュール化されており、柔軟性によってさまざまなモデルを試すことができる。
ラウンド・ザ・タイム・モニタリングのためのML研究を低コストで行うことに加えて、提案されたフレームワークはコードとデータの再利用を可能にする。
論文 参考訳（メタデータ） (2021-02-08T21:56:15Z) - Cross-individual Recognition of Emotions by a Dynamic Entropy based on
Pattern Learning with EEG features [2.863100352151122]
複数の個体の神経生理学的特徴に関連する情報的指標を抽象化するために,動的エントロピーに基づくパターン学習(DEPL)として表されるディープラーニングフレームワークを提案する。
DEPLは、ダイナミックエントロピーに基づく特徴の皮質位置間の相互依存性をモデル化することにより、ディープ畳み込みニューラルネットワークによって生成された表現の能力を向上した。
論文 参考訳（メタデータ） (2020-09-26T07:22:07Z)
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。