論文の概要: FDC-Net: Rethinking the association between EEG artifact removal and multi-dimensional affective computing

• arxiv url: http://arxiv.org/abs/2508.05231v1
• Date: Thu, 07 Aug 2025 10:19:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-08 18:59:39.807824
• Title: FDC-Net: Rethinking the association between EEG artifact removal and multi-dimensional affective computing
• Title（参考訳）: FDC-Net:脳波アーチファクト除去と多次元感情コンピューティングの関係を再考する
• Authors: Wenjia Dong, Xueyuan Xu, Tianze Yu, Junming Zhang, Li Zhuo,
• Abstract要約: 現在のアプローチでは、認知と感情認識を独立したタスクとして扱う。 FDC-Netは、認知と感情認識のタスクを深く結合する新しいフレームワークである。 FDC-Netは、DREAMERで82.3+7.1%、DREAMERで88.1+0.8%の感情認識精度を達成する。
• 参考スコア（独自算出の注目度）: 6.914762787652603
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Electroencephalogram (EEG)-based emotion recognition holds significant value in affective computing and brain-computer interfaces. However, in practical applications, EEG recordings are susceptible to the effects of various physiological artifacts. Current approaches typically treat denoising and emotion recognition as independent tasks using cascaded architectures, which not only leads to error accumulation, but also fails to exploit potential synergies between these tasks. Moreover, conventional EEG-based emotion recognition models often rely on the idealized assumption of "perfectly denoised data", lacking a systematic design for noise robustness. To address these challenges, a novel framework that deeply couples denoising and emotion recognition tasks is proposed for end-to-end noise-robust emotion recognition, termed as Feedback-Driven Collaborative Network for Denoising-Classification Nexus (FDC-Net). Our primary innovation lies in establishing a dynamic collaborative mechanism between artifact removal and emotion recognition through: (1) bidirectional gradient propagation with joint optimization strategies; (2) a gated attention mechanism integrated with frequency-adaptive Transformer using learnable band-position encoding. Two most popular EEG-based emotion datasets (DEAP and DREAMER) with multi-dimensional emotional labels were employed to compare the artifact removal and emotion recognition performance between ASLSL and nine state-of-the-art methods. In terms of the denoising task, FDC-Net obtains a maximum correlation coefficient (CC) value of 96.30% on DEAP and a maximum CC value of 90.31% on DREAMER. In terms of the emotion recognition task under physiological artifact interference, FDC-Net achieves emotion recognition accuracies of 82.3+7.1% on DEAP and 88.1+0.8% on DREAMER.
• Abstract（参考訳）: 脳波(EEG)に基づく感情認識は、感情コンピューティングと脳-コンピュータインターフェースにおいて重要な意味を持つ。 しかし、実際的な応用では、脳波記録は様々な生理的アーティファクトの影響を受けやすい。 現在のアプローチでは一般的に、認知と感情認識をカスケードアーキテクチャを使って独立したタスクとして扱うが、これはエラーの蓄積につながるだけでなく、これらのタスク間の潜在的な相乗効果を活用できない。 さらに、従来の脳波に基づく感情認識モデルでは、ノイズの堅牢性に関する体系的な設計が欠如している「完全に認知されたデータ」という理想的な仮定に頼っていることが多い。 これらの課題に対処するために、フィードバック駆動協調ネットワーク(Feedback-Driven Collaborative Network for Denoising-Classification Nexus (FDC-Net))と呼ばれる、エンドツーエンドのノイズ-ロバスト感情認識のための、深いカップル化と感情認識タスクを提案する。 1) 共同最適化戦略による双方向勾配伝搬, (2) 学習可能な帯域配置符号化を用いた周波数適応変換器と統合された有声注意機構。 脳波に基づく感情データセット(DEAPとDREAMER)と多次元感情ラベル(DREAMER)を用いて,ASLSLと9つの最先端手法の人工物除去と感情認識性能を比較した。 FDC-Netは、DeAP上で96.30%の最大相関係数(CC)値、DREAMERで最大CC値90.31%を得る。 生理的人工物干渉下での感情認識タスクでは、FDC-NetはDREAMERで82.3+7.1%、DREAMERで88.1+0.8%の感情認識精度を達成する。

関連論文リスト

• CAST-Phys: Contactless Affective States Through Physiological signals Database [74.28082880875368]
  感情的なマルチモーダルデータセットの欠如は、正確な感情認識システムを開発する上で、依然として大きなボトルネックとなっている。 遠隔の生理的感情認識が可能な新しい高品質なデータセットであるCAST-Physを提示する。 本分析では,表情だけでは十分な感情情報が得られない現実的なシナリオにおいて,生理的信号が重要な役割を担っていることを強調した。
  論文  参考訳（メタデータ） (2025-07-08T15:20:24Z)
• Toward Efficient Speech Emotion Recognition via Spectral Learning and Attention [0.5371337604556311]
  音声感情認識(SER)は、伝統的に感情分類のための聴覚データ分析に依存している。 我々は,Mel-Frequency Cepstral Coefficients (MFCCs) をスペクトル特性として用いて,計算的感情処理と人間の聴覚知覚のギャップを埋める。 データ拡張技術を統合する新しい1D-CNNベースのSERフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-07-04T01:55:49Z)
• CEReBrO: Compact Encoder for Representations of Brain Oscillations Using Efficient Alternating Attention [53.539020807256904]
  交互注意(CEReBrO)を用いた脳振動の表現のための圧縮法について紹介する。 トークン化方式は、チャネルごとのパッチで脳波信号を表現します。 本研究では,チャネル内時間的ダイナミックスとチャネル間空間的相関を共同でモデル化し,通常の自己アテンションに比べて6倍少ないメモリで2倍の速度向上を実現するための注意機構を提案する。
  論文  参考訳（メタデータ） (2025-01-18T21:44:38Z)
• learning discriminative features from spectrograms using center loss for speech emotion recognition [62.13177498013144]
  本稿では,感情認識のための可変長スペクトログラムから識別特徴を学習するための新しい手法を提案する。 ソフトマックスのクロスエントロピー損失は、異なる感情カテゴリの特徴を分離可能とし、センターロスは、同じ感情カテゴリに属する特徴をその中心に効率的に引き出す。
  論文  参考訳（メタデータ） (2025-01-02T06:52:28Z)
• Joint Contrastive Learning with Feature Alignment for Cross-Corpus EEG-based Emotion Recognition [2.1645626994550664]
  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。
  論文  参考訳（メタデータ） (2024-04-15T08:21:17Z)
• 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)
• Hybrid Data Augmentation and Deep Attention-based Dilated Convolutional-Recurrent Neural Networks for Speech Emotion Recognition [1.1086440815804228]
  本稿では,GAN法に基づくハイブリッドデータ拡張法について検討する。 HDA法の有効性を評価するため,ディープラーニングフレームワークであるADCRNN(Deep Learning framework)を,深部拡張畳み込みリカレントニューラルネットワークとアテンション機構を統合して設計する。 提案手法の検証には,不均衡なサンプルを含む複数の感情からなるEmoDBデータセットを用いる。
  論文  参考訳（メタデータ） (2021-09-18T23:13:44Z)
• Towards Unbiased Visual Emotion Recognition via Causal Intervention [63.74095927462]
  本稿では,データセットバイアスによる負の効果を軽減するために,新しい感情認識ネットワーク(IERN)を提案する。 IERNの有効性を検証する一連の設計されたテストと、3つの感情ベンチマークの実験は、IERNが他の最先端のアプローチよりも優れていることを示した。
  論文  参考訳（メタデータ） (2021-07-26T10:40:59Z)
• Investigating EEG-Based Functional Connectivity Patterns for Multimodal Emotion Recognition [8.356765961526955]
  本稿では, 強度, クラスタリング, 係数, 固有ベクトル中心性という3つの機能接続ネットワーク特性について検討する。 感情認識における脳波接続機能の識別能力は,3つの公開脳波データセットで評価される。 脳波の機能的接続特徴と眼球運動や生理的信号の特徴を組み合わせたマルチモーダル感情認識モデルを構築した。
  論文  参考訳（メタデータ） (2020-04-04T16:51:56Z)
• Continuous Emotion Recognition via Deep Convolutional Autoencoder and Support Vector Regressor [70.2226417364135]
  マシンはユーザの感情状態を高い精度で認識できることが不可欠である。 ディープニューラルネットワークは感情を認識する上で大きな成功を収めている。 表情認識に基づく連続的感情認識のための新しいモデルを提案する。
  論文  参考訳（メタデータ） (2020-01-31T17:47:16Z)

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。