論文の概要: Evaluation in EEG Emotion Recognition: State-of-the-Art Review and Unified Framework

• arxiv url: http://arxiv.org/abs/2505.18175v1
• Date: Wed, 14 May 2025 20:44:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-01 23:16:01.432931
• Title: Evaluation in EEG Emotion Recognition: State-of-the-Art Review and Unified Framework
• Title（参考訳）: 脳波感情認識の評価:現状レビューと統一フレームワーク
• Authors: Natia Kukhilava, Tatia Tsmindashvili, Rapael Kalandadze, Anchit Gupta, Sofio Katamadze, François Brémond, Laura M. Ferrari, Philipp Müller, Benedikt Emanuel Wirth,
• Abstract要約: 近年,脳波を用いた感情認識(EEG-ER)が研究領域として発展している。 本稿では,新しい手法とデータセットの簡易かつ効率的な評価を可能にする統一評価プロトコルEEGainを提案する。 EEGainには、データ前処理、データ分割、評価メトリクス、最も関連する6つのデータセットをロードする機能のための標準化されたメソッドが含まれている。
• 参考スコア（独自算出の注目度）: 14.019800269775262
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Electroencephalography-based Emotion Recognition (EEG-ER) has become a growing research area in recent years. Analyzing 216 papers published between 2018 and 2023, we uncover that the field lacks a unified evaluation protocol, which is essential to fairly define the state of the art, compare new approaches and to track the field's progress. We report the main inconsistencies between the used evaluation protocols, which are related to ground truth definition, evaluation metric selection, data splitting types (e.g., subject-dependent or subject-independent) and the use of different datasets. Capitalizing on this state-of-the-art research, we propose a unified evaluation protocol, EEGain (https://github.com/EmotionLab/EEGain), which enables an easy and efficient evaluation of new methods and datasets. EEGain is a novel open source software framework, offering the capability to compare - and thus define - state-of-the-art results. EEGain includes standardized methods for data pre-processing, data splitting, evaluation metrics, and the ability to load the six most relevant datasets (i.e., AMIGOS, DEAP, DREAMER, MAHNOB-HCI, SEED, SEED-IV) in EEG-ER with only a single line of code. In addition, we have assessed and validated EEGain using these six datasets on the four most common publicly available methods (EEGNet, DeepConvNet, ShallowConvNet, TSception). This is a significant step to make research on EEG-ER more reproducible and comparable, thereby accelerating the overall progress of the field.
• Abstract（参考訳）: 近年,脳波を用いた感情認識(EEG-ER)が研究領域として発展している。 2018年から2023年にかけて発行された216の論文を分析し、この分野には統一された評価プロトコルが欠如していることを明らかにした。 提案手法は, 基礎的真理の定義, 評価基準の選択, データ分割型(例えば, 対象に依存しない, 対象に依存しない) と, 異なるデータセットの使用に関連する, 使用済み評価プロトコルの主な矛盾を報告する。 この最先端の研究に基づき、新しい手法とデータセットの簡易かつ効率的な評価を可能にする統一評価プロトコルEEGain(https://github.com/EmotionLab/EEGain)を提案する。 EEGainは、新しいオープンソースソフトウェアフレームワークで、最先端の結果を比較して定義する機能を提供する。 EEGainには、データ前処理、データ分割、評価メトリクスの標準化された方法と、単一のコード行だけでEEG-ERに最も関連する6つのデータセット(AMIGOS、DEAP、DREAMER、MAHNOB-HCI、SEED、SEED-IV)をロードする機能が含まれている。 さらに、これらの6つのデータセットを使用してEEGainを、最も一般的な4つの方法(EEGNet、DeepConvNet、ShallowConvNet、TSception)で評価、検証しました。 これは、EEG-ERの研究をより再現可能で同等にするための重要なステップであり、それによって分野全体の進歩が加速される。

関連論文リスト

• LibEER: A Comprehensive Benchmark and Algorithm Library for EEG-based Emotion Recognition [31.383215932044408]
  脳波に基づく感情認識(EER)は、人間の感情を理解し分析する可能性から注目されている。 この分野には、説得力のあるベンチマークと包括的なオープンソースライブラリが欠けている。 EERの公平な比較を容易にするために設計された総合ベンチマークおよびアルゴリズムライブラリであるLibEERを紹介する。
  論文  参考訳（メタデータ） (2024-10-13T07:51:39Z)
• Are Large Language Models Good Classifiers? A Study on Edit Intent Classification in Scientific Document Revisions [62.12545440385489]
  大規模言語モデル(LLM)は、テキスト生成の大幅な進歩をもたらしたが、分類タスクの強化の可能性はまだ未検討である。 生成と符号化の両方のアプローチを含む分類のための微調整LDMを徹底的に研究するためのフレームワークを提案する。 我々はこのフレームワークを編集意図分類(EIC)においてインスタンス化する。
  論文  参考訳（メタデータ） (2024-10-02T20:48:28Z)
• Self-Training with Pseudo-Label Scorer for Aspect Sentiment Quad Prediction [54.23208041792073]
  Aspect Sentiment Quad Prediction (ASQP) は、与えられたレビューに対して全てのクワッド(アスペクト項、アスペクトカテゴリー、意見項、感情極性)を予測することを目的としている。 ASQPタスクにおける重要な課題はラベル付きデータの不足であり、既存のメソッドのパフォーマンスを制限している。 そこで我々は,擬似ラベルスコアラーを用いた自己学習フレームワークを提案し,レビューと擬似ラベルの一致をスコアラーが評価する。
  論文  参考訳（メタデータ） (2024-06-26T05:30:21Z)
• Semi-Supervised Dual-Stream Self-Attentive Adversarial Graph Contrastive Learning for Cross-Subject EEG-based Emotion Recognition [19.578050094283313]
  DS-AGCフレームワークは、クロスオブジェクト脳波に基づく感情認識において、限定ラベル付きデータの課題に取り組むために提案されている。 提案手法は,不完全ラベル条件の異なる既存手法よりも優れている。
  論文  参考訳（メタデータ） (2023-08-13T23:54:40Z)
• 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)
• A Closer Look at Debiased Temporal Sentence Grounding in Videos: Dataset, Metric, and Approach [53.727460222955266]
  テンポラル・センテンス・グラウンディング・イン・ビデオ(TSGV)は、未編集のビデオに自然言語文を埋め込むことを目的としている。 最近の研究では、現在のベンチマークデータセットには明らかなモーメントアノテーションバイアスがあることが判明している。 偏りのあるデータセットによる膨らませ評価を緩和するため、基礎的リコールスコアを割引する新しい評価基準「dR@n,IoU@m」を導入する。
  論文  参考訳（メタデータ） (2022-03-10T08:58:18Z)
• EEG-Inception: An Accurate and Robust End-to-End Neural Network for EEG-based Motor Imagery Classification [123.93460670568554]
  本稿では,脳波に基づく運動画像(MI)分類のための新しい畳み込みニューラルネットワーク(CNN)アーキテクチャを提案する。 提案したCNNモデル、すなわちEEG-Inceptionは、Inception-Timeネットワークのバックボーン上に構築されている。 提案するネットワークは、生のEEG信号を入力とし、複雑なEEG信号前処理を必要としないため、エンドツーエンドの分類である。
  論文  参考訳（メタデータ） (2021-01-24T19:03:10Z)
• Opportunities and Challenges of Deep Learning Methods for Electrocardiogram Data: A Systematic Review [62.490310870300746]
  心電図(Electrocardiogram、ECG)は、医学および医療において最も一般的に用いられる診断ツールの1つである。 深層学習法は心電図信号を用いた予測医療タスクにおいて有望な結果を得た。 本稿では、モデリングとアプリケーションの観点から、ECGデータに対するディープラーニング手法の体系的なレビューを行う。
  論文  参考訳（メタデータ） (2019-12-28T02:44:29Z)

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。