論文の概要: Reproducible Physiological Features in Affective Computing: A Preliminary Analysis on Arousal Modeling

• arxiv url: http://arxiv.org/abs/2508.10561v1
• Date: Thu, 14 Aug 2025 11:58:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-15 22:24:48.298217
• Title: Reproducible Physiological Features in Affective Computing: A Preliminary Analysis on Arousal Modeling
• Title（参考訳）: 影響コンピューティングにおける再現可能な生理的特徴:覚醒モデルに関する予備的分析
• Authors: Andrea Gargano, Jasin Machkour, Mimma Nardelli, Enzo Pasquale Scilingo, Michael Muma,
• Abstract要約: 心血管信号と心電図信号から,覚醒レベルに関連する生理的特徴を同定した。 弊社のアプローチは、信頼性が高く信頼性の高いホワイトボックスモデルを必要とする安全クリティカルな環境での応用に特に有望である。
• 参考スコア（独自算出の注目度）: 1.9400282838579548
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In Affective Computing, a key challenge lies in reliably linking subjective emotional experiences with objective physiological markers. This preliminary study addresses the issue of reproducibility by identifying physiological features from cardiovascular and electrodermal signals that are associated with continuous self-reports of arousal levels. Using the Continuously Annotated Signal of Emotion dataset, we analyzed 164 features extracted from cardiac and electrodermal signals of 30 participants exposed to short emotion-evoking videos. Feature selection was performed using the Terminating-Random Experiments (T-Rex) method, which performs variable selection systematically controlling a user-defined target False Discovery Rate. Remarkably, among all candidate features, only two electrodermal-derived features exhibited reproducible and statistically significant associations with arousal, achieving a 100\% confirmation rate. These results highlight the necessity of rigorous reproducibility assessments in physiological features selection, an aspect often overlooked in Affective Computing. Our approach is particularly promising for applications in safety-critical environments requiring trustworthy and reliable white box models, such as mental disorder recognition and human-robot interaction systems.
• Abstract（参考訳）: Affective Computingでは、主観的な感情経験と客観的な生理的マーカーを確実に結びつけることが重要な課題である。 本研究は, 心血管および心電図からの生理的特徴を同定し, 覚醒レベルを連続的に自己報告することによる再現性の問題に対処するものである。 心電図と心電図から抽出した164個の特徴を,短時間の感情誘発ビデオで分析した。 T-Random Experiments (T-Rex) 法を用いて, ユーザが定義したFalse Discovery Rateを系統的に制御する変数選択を行った。 有意な特徴として, 再現性, 統計的に有意な関連がみられ, 確認率は100%であった。 これらの結果は、生理的特徴選択における厳密な再現性評価の必要性を強調している。 我々のアプローチは、精神障害認識や人間とロボットのインタラクションシステムなど、信頼性が高く信頼性の高いホワイトボックスモデルを必要とする安全クリティカルな環境における応用に特に有望である。

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)
• Revealing the Self: Brainwave-Based Human Trait Identification [2.660113491122853]
  本稿では,脳波データを用いて人間の特徴をリアルタイムで識別する新しい手法を提案する。 我々の分析は、いくつかの新しい洞察を明らかにし、多様な人間の特性を特定するための画期的な統一アプローチへと繋がった。 我々は,脳波データを用いたリアルタイムな特徴識別ソリューションを開発した。
  論文  参考訳（メタデータ） (2024-12-26T03:27:34Z)
• Deep-seeded Clustering for Emotion Recognition from Wearable Physiological Sensors [1.380698851850167]
  本稿では,生理的信号から特徴を最小限に抽出し,分類するディープシードクラスタリングアルゴリズムを提案する。 本モデルは,感情コンピューティング研究で頻繁に使用される3つのデータセットに対して,良好な性能が得られることを示す。
  論文  参考訳（メタデータ） (2023-08-17T14:37:35Z)
• Synthesizing Affective Neurophysiological Signals Using Generative Models: A Review Paper [28.806992102323324]
  マシンにおける感情的知性の統合は、人間とコンピュータの相互作用を前進させる重要なステップである。 公的な感情的データセットの不足は、課題である。 我々は、神経生理学的信号におけるこの問題に対処するための生成モデルの使用を強調した。
  論文  参考訳（メタデータ） (2023-06-05T08:38:30Z)
• Heterogeneous Hidden Markov Models for Sleep Activity Recognition from Multi-Source Passively Sensed Data [67.60224656603823]
  精神科患者の受動的活動監視は、リアルタイムでの行動変化を検出するために不可欠である。 睡眠行動認識は、患者の活動サイクルを表現する行動マーカーである。 スマートフォンから受動的に検出されたデータは、患者の生体リズムに優れた代替手段である。
  論文  参考訳（メタデータ） (2022-11-08T17:29:40Z)
• 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)
• Emotion pattern detection on facial videos using functional statistics [62.997667081978825]
  顔面筋運動の有意なパターンを抽出する機能的ANOVAに基づく手法を提案する。 感情群間の表現に時間的差があるかどうかを関数fテストを用いて判定する。
  論文  参考訳（メタデータ） (2021-03-01T08:31:08Z)
• Video-based Remote Physiological Measurement via Cross-verified Feature Disentangling [121.50704279659253]
  非生理的表現と生理的特徴を混同するための横断的特徴分離戦略を提案する。 次に, 蒸留された生理特性を用いて, 頑健なマルチタスク生理測定を行った。 歪んだ特徴は、最終的に平均HR値やr信号のような複数の生理的信号の合同予測に使用される。
  論文  参考訳（メタデータ） (2020-07-16T09:39:17Z)
• 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)
• Ensemble emotion recognizing with multiple modal physiological signals [9.406420908566517]
  異なる感情に対する複数のモーダル生理的信号を用いた感情分類モデルを提案する。 DEAPデータセットのベンチマークで実験を行う。 4段階のタスクでは、平均的な分類精度は90.74であり、安定性がよい。
  論文  参考訳（メタデータ） (2020-01-01T11:44:43Z)

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。