論文の概要: Three-Way Emotion Classification of EEG-based Signals using Machine Learning

• arxiv url: http://arxiv.org/abs/2602.00670v1
• Date: Sat, 31 Jan 2026 11:34:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-03 19:28:33.327836
• Title: Three-Way Emotion Classification of EEG-based Signals using Machine Learning
• Title（参考訳）: 機械学習を用いた脳波信号の3方向感情分類
• Authors: Ashna Purwar, Gaurav Simkar, Madhumita, Sachin Kadam,
• Abstract要約: 本稿では,機械学習モデルが脳波信号の限られたデータセットを3つのクラスに分類する方法について述べる。 データ前処理やMLモデルの比較など、完全なワークフローも提示されている。 その結果,MLモデルは脳波信号の3方向感情分類に有効であることが示唆された。
• 参考スコア（独自算出の注目度）: 0.6999740786886536
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Electroencephalography (EEG) is a widely used technique for measuring brain activity. EEG-based signals can reveal a persons emotional state, as they directly reflect activity in different brain regions. Emotion-aware systems and EEG-based emotion recognition are a growing research area. This paper presents how machine learning (ML) models categorize a limited dataset of EEG signals into three different classes, namely Negative, Neutral, or Positive. It also presents the complete workflow, including data preprocessing and comparison of ML models. To understand which ML classification model works best for this kind of problem, we train and test the following three commonly used models: logistic regression (LR), support vector machine (SVM), and random forest (RF). The performance of each is evaluated with respect to accuracy and F1-score. The results indicate that ML models can be effectively utilized for three-way emotion classification of EEG signals. Among the three ML models trained on the available dataset, the RF model gave the best results. Its higher accuracy and F1-score suggest that it is able to capture the emotional patterns more accurately and effectively than the other two models. The RF model also outperformed the existing state-of-the-art classification models in terms of the accuracy parameter.
• Abstract（参考訳）: 脳波(Electroencephalography)は、脳活動を測定するために広く用いられる技術である。 脳波に基づく信号は、異なる脳領域の活動を直接反映するので、人の感情状態を明らかにすることができる。 感情認識システムと脳波に基づく感情認識は、研究領域が増加している。 本稿では、機械学習(ML)モデルが脳波信号の限られたデータセットを、負、中性、正の3つのクラスに分類する方法について述べる。 データ前処理やMLモデルの比較など、完全なワークフローも提示されている。 この種の問題に対して、どのML分類モデルが最適かを理解するために、ロジスティック回帰(LR)、サポートベクターマシン(SVM)、ランダムフォレスト(RF)の3つの一般的なモデルのトレーニングとテストを行う。 各性能を精度とF1スコアで評価する。 その結果,MLモデルは脳波信号の3方向感情分類に有効であることが示唆された。 利用可能なデータセットでトレーニングされた3つのMLモデルの中で、RFモデルは最良の結果を与えた。 その精度とF1スコアは、他の2つのモデルよりも正確かつ効果的に感情パターンをキャプチャできることを示唆している。 RFモデルは、精度パラメータの観点から既存の最先端分類モデルよりも優れていた。

関連論文リスト

• E^2-LLM: Bridging Neural Signals and Interpretable Affective Analysis [54.763420895859035]
  脳波からの感情分析のための最初のMLLMフレームワークであるELLM2-EEG-to-Emotion Large Language Modelを提案する。 ELLMは学習可能なプロジェクション層を通じて、トレーニング済みのEEGエンコーダとQベースのLLMを統合し、マルチステージのトレーニングパイプラインを使用する。 7つの感情カテゴリーにまたがるデータセット実験により, ELLM2-EEG-to-Emotion Large Language Modelは感情分類において優れた性能を発揮することが示された。
  論文  参考訳（メタデータ） (2026-01-11T13:21:20Z)
• 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)
• CMCRD: Cross-Modal Contrastive Representation Distillation for Emotion Recognition [15.72347392139404]
  クロスモーダルコントラスト表現蒸留(CMCRD)は、事前訓練された眼球運動分類モデルを用いて、脳波分類モデルのトレーニングを支援する。 テスト中は、脳波信号(または眼球運動信号)のみを取得し、マルチモーダルデータを必要としない。 EEGのみのモデルと比較すると、平均分類精度は約6.2%向上した。
  論文  参考訳（メタデータ） (2025-04-12T13:56:20Z)
• Large Brain Model for Learning Generic Representations with Tremendous EEG Data in BCI [6.926908480247951]
  大型脳モデル(LaBraM)と呼ばれる脳波の統一基盤モデルを提案する。 LaBraMは、EEG信号をEEGチャネルパッチにセグメント化することで、データセット間の学習を可能にする。 次に、マスクされたEEGチャネルパッチの元のニューラルコードを予測することにより、ニューラルトランスフォーマーを事前訓練する。
  論文  参考訳（メタデータ） (2024-05-29T05:08:16Z)
• 3D-CLMI: A Motor Imagery EEG Classification Model via Fusion of 3D-CNN and LSTM with Attention [0.174048653626208]
  本稿では,3次元畳み込みニューラルネットワーク(CNN)と長期記憶ネットワーク(LSTM)を組み合わせて運動画像(MI)信号を分類するモデルを提案する。 実験の結果、このモデルは、BCIコンペティションIVデータセット2aの分類精度92.7%、F1スコア0.91に達した。 このモデルにより、ユーザの運動像意図の分類精度が大幅に向上し、自律走行車や医療リハビリテーションといった新興分野における脳-コンピュータインタフェースの応用可能性が改善された。
  論文  参考訳（メタデータ） (2023-12-20T03:38:24Z)
• The effect of data augmentation and 3D-CNN depth on Alzheimer's Disease detection [51.697248252191265]
  この研究は、データハンドリング、実験設計、モデル評価に関するベストプラクティスを要約し、厳密に観察する。 我々は、アルツハイマー病(AD)の検出に焦点を当て、医療における課題のパラダイム的な例として機能する。 このフレームワークでは,3つの異なるデータ拡張戦略と5つの異なる3D CNNアーキテクチャを考慮し,予測15モデルを訓練する。
  論文  参考訳（メタデータ） (2023-09-13T10:40:41Z)
• Emotion Detection from EEG using Transfer Learning [0.0]
  我々は,脳波に基づく感情検出において,限られたデータ可用性の課題を克服するために伝達学習を採用した。 モデルへの入力は、平均位相コヒーレンス (MPC) と正方形コヒーレンス (MSC) からなる画像行列の形で行われる。
  論文  参考訳（メタデータ） (2023-06-09T05:43:06Z)
• Scaling laws for language encoding models in fMRI [47.498241053872924]
  我々は、fMRIを用いて記録された脳の反応を予測するために、より大きなオープンソースモデルの方が優れているかどうかを検証した。 同様の対数行動は、fMRIトレーニングセットのサイズを拡大する際に観察された。 これらの結果は、脳内の言語処理の極めて効果的なモデルが得られることを示唆している。
  論文  参考訳（メタデータ） (2023-05-19T17:53:03Z)
• 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。