論文の概要: SSAS: Cross-subject EEG-based Emotion Recognition through Source Selection with Adversarial Strategy

• arxiv url: http://arxiv.org/abs/2512.13458v1
• Date: Mon, 15 Dec 2025 15:56:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-16 17:54:56.734796
• Title: SSAS: Cross-subject EEG-based Emotion Recognition through Source Selection with Adversarial Strategy
• Title（参考訳）: SSAS:逆戦略による音源選択による脳波を用いたクロスオブジェクト感情認識
• Authors: Yici Liu, Qi Wei Oung, Hoi Leong Lee,
• Abstract要約: 本稿では,逆方向戦略を用いた音源選択による脳波を用いたクロスオブジェクト感情認識について述べる。 提案手法は,ソース選択ネットワーク (SS) と逆戦略ネットワーク (AS) の2つのモジュールから構成される。
• 参考スコア（独自算出の注目度）: 0.4588028371034407
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Electroencephalographic (EEG) signals have long been applied in the field of affective brain-computer interfaces (aBCIs). Cross-subject EEG-based emotion recognition has demonstrated significant potential in practical applications due to its suitability across diverse people. However, most studies on cross-subject EEG-based emotion recognition neglect the presence of inter-individual variability and negative transfer phenomena during model training. To address this issue, a cross-subject EEG-based emotion recognition through source selection with adversarial strategy is introduced in this paper. The proposed method comprises two modules: the source selection network (SS) and the adversarial strategies network (AS). The SS uses domain labels to reverse-engineer the training process of domain adaptation. Its key idea is to disrupt class separability and magnify inter-domain differences, thereby raising the classification difficulty and forcing the model to learn domain-invariant yet emotion-relevant representations. The AS gets the source domain selection results and the pretrained domain discriminators from SS. The pretrained domain discriminators compute a novel loss aimed at enhancing the performance of domain classification during adversarial training, ensuring the balance of adversarial strategies. This paper provides theoretical insights into the proposed method and achieves outstanding performance on two EEG-based emotion datasets, SEED and SEED-IV. The code can be found at https://github.com/liuyici/SSAS.
• Abstract（参考訳）: 脳波(EEG)シグナルは、感情脳-コンピュータインターフェース(aBCI)の分野に長い間適用されてきた。 クロスオブジェクトの脳波に基づく感情認識は、多様な人々に対する適合性から、実用的な応用に有意な可能性を証明している。 しかし、クロスオブジェクト脳波に基づく感情認識に関する研究の多くは、モデルトレーニング中に個人間変動と負の伝達現象の存在を無視する。 この問題に対処するために,逆方向戦略を用いた音源選択によるクロスオブジェクト脳波を用いた感情認識を提案する。 提案手法は,ソース選択ネットワーク (SS) と逆戦略ネットワーク (AS) の2つのモジュールからなる。 SSはドメインラベルを使用して、ドメイン適応のトレーニングプロセスをリバースエンジニアリングする。 その鍵となる考え方は、クラス分離性を破壊し、ドメイン間の差異を拡大し、分類の難しさを高め、モデルにドメイン不変で感情関連のある表現を学習させることである。 ASは、ソースドメイン選択結果と、事前訓練されたドメイン識別器をSSから取得する。 事前訓練されたドメイン識別器は、敵の訓練中にドメイン分類の性能を高めることを目的とした新たな損失を計算し、敵の戦略のバランスを確保する。 本稿では,提案手法に関する理論的知見を提供し,SEEDとSEED-IVという2つの脳波に基づく感情データセット上での卓越した性能を実現する。 コードはhttps://github.com/liuyici/SSASで見ることができる。

関連論文リスト

• Self-Paced Collaborative and Adversarial Network for Unsupervised Domain Adaptation [74.27130400558013]
  本稿では,CAN(Collaborative and Adversarial Network)と呼ばれる非教師付きドメイン適応手法を提案する。 CANは、ニューラルネットワークのトレーニングに、ドメイン協調学習戦略とドメイン共用学習戦略を使用する。 対象領域における識別性をさらに高めるために,SPCAN(Self-Paced CAN)を提案する。
  論文  参考訳（メタデータ） (2025-06-24T02:58:37Z)
• Towards Practical Emotion Recognition: An Unsupervised Source-Free Approach for EEG Domain Adaptation [0.5755004576310334]
  本稿では,領域間における脳波に基づく感情分類のための新しいSF-UDA手法を提案する。 本稿では,Dual-Loss Adaptive Regularization (DLAR)を導入し,予測誤差を最小化し,予測を疑似ラベルと整合させる。 我々の手法は最先端の手法よりも優れており、DEAでトレーニングし、SEEDでテストすると65.84%の精度が達成される。
  論文  参考訳（メタデータ） (2025-03-26T14:29:20Z)
• PL-DCP: A Pairwise Learning framework with Domain and Class Prototypes for EEG emotion recognition under unseen target conditions [27.769583873372518]
  未確認対象条件下での脳波感情認識のためのドメインとカテゴリーのプロトタイプを用いたペアワイズ学習フレームワークを提案する。 PL-DCPモデルは、ソースデータとターゲットデータの両方を必要とするディープトランスファー学習法よりも若干性能が向上する。 この研究は感情認識のための効果的で堅牢な潜在的ソリューションを提供する。
  論文  参考訳（メタデータ） (2024-11-27T00:56:43Z)
• 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)
• 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)
• EEG-based Emotion Style Transfer Network for Cross-dataset Emotion Recognition [45.26847258736848]
  本稿では,脳波に基づく感情スタイル伝達ネットワーク(E2STN)を提案する。 E2STNは、クロスデータセットのEEG感情認識タスクにおける最先端のパフォーマンスを達成することができる。
  論文  参考訳（メタデータ） (2023-08-09T16:54:40Z)
• 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)
• Emotional Semantics-Preserved and Feature-Aligned CycleGAN for Visual Emotion Adaptation [85.20533077846606]
  教師なしドメイン適応(UDA)は、あるラベル付きソースドメインで訓練されたモデルを別のラベル付きターゲットドメインに転送する問題を研究する。 本稿では,感情分布学習と支配的感情分類の両面での視覚的感情分析におけるUDAに着目した。 本稿では,CycleEmotionGAN++と呼ばれる,エンドツーエンドのサイクル整合対向モデルを提案する。
  論文  参考訳（メタデータ） (2020-11-25T01:31:01Z)
• 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)
• Adaptively-Accumulated Knowledge Transfer for Partial Domain Adaptation [66.74638960925854]
  部分ドメイン適応(PDA)は、ソースドメインラベル空間がターゲットドメインを置き換えるとき、現実的で困難な問題を扱う。 本稿では,2つの領域にまたがる関連カテゴリを整合させる適応的知識伝達フレームワーク(A$2KT)を提案する。
  論文  参考訳（メタデータ） (2020-08-27T00:53:43Z)

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。