論文の概要: MSCGC-KAN: Multi-scale Causal Graph Convolution and Kolmogorov-Arnold Feature Mapping for EEG Emotion Recognition

• arxiv url: http://arxiv.org/abs/2605.26624v2
• Date: Wed, 27 May 2026 02:30:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-28 17:38:55.088279
• Title: MSCGC-KAN: Multi-scale Causal Graph Convolution and Kolmogorov-Arnold Feature Mapping for EEG Emotion Recognition
• Title（参考訳）: MSCGC-KAN:脳波認識のためのマルチスケール因果グラフ畳み込みとKolmogorov-Arnold特徴マッピング
• Authors: Haoliang Gong, Qingshan She, Jiale Xu, Yunyan Gao, Xugang Xi,
• Abstract要約: 本稿では,MSCGC-KANと呼ばれる感情認識手法を提案する。 MSCGC-KANはマルチスケール因果グラフ畳み込みとKolmogorov-Arnold特徴写像からなる構造化タスクヘッドである。 提案手法はFACEDおよびSEED-VIIデータセット上で60.66%のバランス精度と60.40%の重み付きF1スコアを実現する。
• 参考スコア（独自算出の注目度）: 4.244312032484765
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Electroencephalogram (EEG)-based emotion recognition is an important affective computing task, and recent EEG foundation models provide useful generic representations for downstream adaptation. However, under the fine-tuning setting, three limitations remain prominent: insufficient modeling of multi-scale emotional dynamics, inadequate exploitation of inter-channel functional connectivity, and the limited expressive power of simple linear classification heads. To address these issues, this paper proposes a new EEG emotion recognition method, termed MSCGC-KAN, which introduces a structured task head composed of multi-scale causal graph convolution and Kolmogorov--Arnold feature mapping. Built on a pre-trained CBraMod backbone, MSCGC-KAN enhances downstream adaptation by jointly strengthening multi-scale temporal modeling, learnable inter-channel connectivity modeling, and nonlinear discriminative mapping within a compact task-specific head. This design preserves the representation advantage of the foundation model while making the classifier more sensitive to emotion-related spatiotemporal patterns. Extensive experiments are conducted on the public FACED and SEED-VII datasets. The proposed method achieves a balanced accuracy of 60.66\%, a Cohen's Kappa of 0.5525, and a weighted F1-score of 60.40\% on FACED, and obtains 33.27\%, 0.2223, and 33.64\%, respectively, on SEED-VII. Compared with the CBraMod+Linear baseline, the balanced accuracy is improved by 5.91 and 2.03 percentage points on the two datasets, respectively. These results indicate that structured task-head design is an effective way to improve EEG emotion recognition when fine-tuning pre-trained EEG models.
• Abstract（参考訳）: 脳波(EEG)に基づく感情認識は重要な感情計算課題であり、近年の脳波基礎モデルは下流適応に有用な汎用表現を提供する。 しかし、微調整条件下では、マルチスケールの感情力学のモデリングが不十分なこと、チャネル間の機能的接続が不十分であること、単純線形分類ヘッドの表現力に制限があること、の3つの制限が残されている。 そこで本研究では,マルチスケール因果グラフ畳み込みとKolmogorov-Arnold特徴マッピングからなる構造化タスクヘッドを導入する,MSCGC-KANと呼ばれる新しい脳波感情認識手法を提案する。 トレーニング済みのCBraModバックボーン上に構築されたMSCGC-KANは、マルチスケールの時間的モデリング、学習可能なチャネル間接続モデリング、コンパクトなタスク固有ヘッド内の非線形判別マッピングを共同で強化することにより、下流適応を強化する。 この設計は、感情に関連する時空間パターンにより敏感に分類しながら、基礎モデルの表現的優位性を保っている。 公的なFACEDとSEED-VIIデータセットで大規模な実験を行う。 提案手法は,FACEDで60.66\%,コーエンカッパ0.5525,重み付きF1スコア60.40\%,SEED-VIIで33.27\%,0.2223,33.64\%のバランス精度を実現する。 CBraMod+Linearベースラインと比較して、バランスの取れた精度は2つのデータセットでそれぞれ5.91ポイントと2.03ポイント向上する。 これらの結果から,構造化タスクヘッド設計は,事前学習した脳波モデルの微調整時に,脳波の感情認識を改善する効果的な方法であることが示唆された。

関連論文リスト

• Sparse Bayesian Modeling of EEG Channel Interactions Improves P300 Brain-Computer Interface Performance [3.9812825396617644]
  脳波をベースとしたP300脳-コンピュータインタフェース(BCI)は、刺激によって誘発される神経応答を検出することにより、物理的な動きを伴わないコミュニケーションを可能にする。 高精度かつ効率的な復号化は、高次元性、時間的依存、EEGチャネル間の複雑な相互作用のために依然として困難である。 構造化されたEEGチャネルの相互作用をモデル化した疎ベイズ時間変化回帰フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-02-19T19:03:51Z)
• Rethinking Pulmonary Embolism Segmentation: A Study of Current Approaches and Challenges with an Open Weight Model [21.024556007374684]
  3Dモデルは、塞栓の形態的特徴から、この課題に特に適している。 CNNベースのモデルは一般的に、PEセグメンテーションにおけるVTベースのモデルよりも優れたパフォーマンスが得られる。 一方、タスクの複雑さと高品質なデータセットの不足のため、遠位塞栓は難しいままである。
  論文  参考訳（メタデータ） (2025-09-22T18:34:30Z)
• AGTCNet: A Graph-Temporal Approach for Principled Motor Imagery EEG Classification [0.0]
  本研究では,運動画像脳波(MI-EEG)分類のための新しいグラフ時間モデルAGTCNetを提案する。 49.87%のモデルサイズ減少、64.65%の推論時間、より短い入力EEG信号により、AGTCNetは被検者に依存しない分類において66.82%の移動平均精度を達成した。
  論文  参考訳（メタデータ） (2025-06-26T14:49:10Z)
• rECGnition_v2.0: Self-Attentive Canonical Fusion of ECG and Patient Data using deep learning for effective Cardiac Diagnostics [0.56337958460022]
  この研究は、MIT-BIH Arrhythmia データセットを用いて、様々な不整脈のクラスに対する rECGnition_v2.0 の効率を評価する。 rECGnition_v2.0のコンパクトなアーキテクチャフットプリントは、トレーニング可能なパラメータがより少ないことで特徴付けられ、解釈可能性やスケーラビリティなどいくつかの利点を解き放った。
  論文  参考訳（メタデータ） (2025-02-22T15:16:46Z)
• 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-Inception: An Accurate and Robust End-to-End Neural Network for EEG-based Motor Imagery Classification [123.93460670568554]
  本稿では,脳波に基づく運動画像(MI)分類のための新しい畳み込みニューラルネットワーク(CNN)アーキテクチャを提案する。 提案したCNNモデル、すなわちEEG-Inceptionは、Inception-Timeネットワークのバックボーン上に構築されている。 提案するネットワークは、生のEEG信号を入力とし、複雑なEEG信号前処理を必要としないため、エンドツーエンドの分類である。
  論文  参考訳（メタデータ） (2021-01-24T19:03:10Z)
• ECG-DelNet: Delineation of Ambulatory Electrocardiograms with Mixed Quality Labeling Using Neural Networks [69.25956542388653]
  ディープラーニング(DL)アルゴリズムは、学術的、産業的にも重くなっている。 セグメンテーションフレームワークにECGの検出とデライン化を組み込むことにより、低解釈タスクにDLをうまく適用できることを実証する。 このモデルは、PhyloNetのQTデータベースを使用して、105個の増幅ECG記録から訓練された。
  論文  参考訳（メタデータ） (2020-05-11T16:29:12Z)
• Towards a Competitive End-to-End Speech Recognition for CHiME-6 Dinner Party Transcription [73.66530509749305]
  本稿では,難しい場合であっても,ハイブリッドベースラインに近い性能を示すエンドツーエンドアプローチについて論じる。 CTC-Attention と RNN-Transducer のアプローチと RNN と Transformer のアーキテクチャを比較し,解析する。 RNN-Transducerをベースとしたベストエンド・ツー・エンドモデルでは、ビームサーチの改善とともに、LF-MMI TDNN-F CHiME-6 Challengeのベースラインよりも品質が3.8%向上した。
  論文  参考訳（メタデータ） (2020-04-22T19:08:33Z)

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。