論文の概要: EEG Emotion Recognition Through Deep Learning

• arxiv url: http://arxiv.org/abs/2511.15902v1
• Date: Wed, 19 Nov 2025 22:14:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-21 17:08:52.385649
• Title: EEG Emotion Recognition Through Deep Learning
• Title（参考訳）: 深層学習による脳波の感情認識
• Authors: Roman Dolgopolyi, Antonis Chatzipanagiotou,
• Abstract要約: テスト精度は91%に達し、SVM、DNN、ロジスティック回帰といった従来のモデルを上回った。 このモデルでは、62の5電極のみを利用することで、EEG装置の要求を低減できる。 この進歩は、メディアコンテンツ消費によって引き起こされる気分変化の今後の探索の土台となる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: An advanced emotion classification model was developed using a CNN-Transformer architecture for emotion recognition from EEG brain wave signals, effectively distinguishing among three emotional states, positive, neutral and negative. The model achieved a testing accuracy of 91%, outperforming traditional models such as SVM, DNN, and Logistic Regression. Training was conducted on a custom dataset created by merging data from SEED, SEED-FRA, and SEED-GER repositories, comprising 1,455 samples with EEG recordings labeled according to emotional states. The combined dataset represents one of the largest and most culturally diverse collections available. Additionally, the model allows for the reduction of the requirements of the EEG apparatus, by leveraging only 5 electrodes of the 62. This reduction demonstrates the feasibility of deploying a more affordable consumer-grade EEG headset, thereby enabling accessible, at-home use, while also requiring less computational power. This advancement sets the groundwork for future exploration into mood changes induced by media content consumption, an area that remains underresearched. Integration into medical, wellness, and home-health platforms could enable continuous, passive emotional monitoring, particularly beneficial in clinical or caregiving settings where traditional behavioral cues, such as facial expressions or vocal tone, are diminished, restricted, or difficult to interpret, thus potentially transforming mental health diagnostics and interventions...
• Abstract（参考訳）: 脳波信号からの感情認識のためのCNN-Transformerアーキテクチャを用いて,3つの感情状態(正,中,負)を効果的に識別する高度な感情分類モデルを開発した。 テスト精度は91%に達し、SVM、DNN、ロジスティック回帰といった従来のモデルを上回った。 SEED, SEED-FRA, SEED-GERリポジトリのデータをマージして作成したカスタムデータセットを用いてトレーニングを行った。 組み合わせたデータセットは、利用可能な最大かつ最も文化的に多様なコレクションの1つである。 さらに、このモデルでは、62の5電極のみを活用することにより、EEG装置の要求を低減できる。 この削減は、より安価なコンシューマグレードのEEGヘッドセットをデプロイする可能性を示している。 この進歩は、メディアコンテンツ消費によって引き起こされる気分変化の今後の探索の土台となる。 医療、健康、ホームヘルスプラットフォームへの統合は、継続的な、受動的感情的なモニタリングを可能にする。特に、顔の表情や声のトーンなどの伝統的な行動手段が減らされ、制限され、解釈が難しい臨床または介護の環境において有益である。これにより、精神的な健康診断や介入を変革する可能性がある。

関連論文リスト

• Leveraging Vision Transformers for Enhanced Classification of Emotions using ECG Signals [1.6018045082682821]
  生体信号は、人体に影響を及ぼす様々な状態に関する洞察を与える。 ECGデータは、感情的覚醒、ストレスレベル、自律神経系の活動に関連する心拍変動の変化を明らかにすることができる。 近年の現場の進歩は、先進的なトランスアーキテクチャの力を活用して従来のアプローチから分岐している。
  論文  参考訳（メタデータ） (2025-10-07T11:49:57Z)
• DEAP DIVE: Dataset Investigation with Vision transformers for EEG evaluation [11.8905212108669]
  脳信号から感情を正確に予測することは、メンタルヘルスの改善、人間とコンピュータの相互作用、感情コンピューティングといった目標を達成する可能性がある。 本研究は,低コストの脳波デバイスを用いて,脳波チャネルのサブセットを用いて十分な正確な感情予測を行う方法について検討する。
  論文  参考訳（メタデータ） (2025-10-01T10:07:07Z)
• BrainOmni: A Brain Foundation Model for Unified EEG and MEG Signals [46.121056431476156]
  異種脳波とMEG記録を対象とする脳基礎モデルBrain Omniを提案する。 既存のアプローチは一般的に、パフォーマンスとクロスドメインのスケーラビリティを制限する、分離、モダリティ、データセット固有のモデルに依存します。 EEGの合計1,997時間、MEGデータの656時間は、事前トレーニングのために公開されているソースからキュレーションされ、標準化されている。
  論文  参考訳（メタデータ） (2025-05-18T14:07:14Z)
• CEReBrO: Compact Encoder for Representations of Brain Oscillations Using Efficient Alternating Attention [46.47343031985037]
  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)
• EEG Emotion Copilot: Optimizing Lightweight LLMs for Emotional EEG Interpretation with Assisted Medical Record Generation [12.707059419820848]
  本稿では,脳波信号から直接感情状態を認識する脳波感情コパイロットについて述べる。 その後、パーソナライズされた診断と治療の提案を生成し、最終的に支援された電子カルテの自動化をサポートする。 提案手法は,医療分野における情動コンピューティングの適用を推し進めることが期待される。
  論文  参考訳（メタデータ） (2024-09-30T19:15:05Z)
• fMRI from EEG is only Deep Learning away: the use of interpretable DL to unravel EEG-fMRI relationships [68.8204255655161]
  多チャンネル脳波データからいくつかの皮質下領域の活性を回復するための解釈可能な領域基底解を提案する。 我々は,皮質下核の血行動態信号の頭皮脳波予測の空間的・時間的パターンを復元する。
  論文  参考訳（メタデータ） (2022-10-23T15:11:37Z)
• EEG2Vec: Learning Affective EEG Representations via Variational Autoencoders [27.3162026528455]
  我々は、感情的な刺激に反応して、潜在ベクトル空間におけるニューラルデータを表現することが、両方の感情状態を予測するのに役立つかどうかを考察する。 脳波データから生成的識別的表現を学習するための条件付き変分オートエンコーダベースのフレームワークであるEEG2Vecを提案する。
  論文  参考訳（メタデータ） (2022-07-16T19:25:29Z)
• A Novel Transferability Attention Neural Network Model for EEG Emotion Recognition [51.203579838210885]
  脳波感情認識のための伝達型注目ニューラルネットワーク(TANN)を提案する。 TANNは、伝達可能な脳波領域のデータとサンプルを適応的に強調することにより、感情的な識別情報を学習する。 これは、複数の脳領域レベル判別器と1つのサンプルレベル判別器の出力を測定することで実現できる。
  論文  参考訳（メタデータ） (2020-09-21T02:42:30Z)

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。