論文の概要: Dive into Waves: Morlet Spectral Transformer for Cross-Subject Emotion Decoding from EEG

• arxiv url: http://arxiv.org/abs/2606.00884v1
• Date: Sat, 30 May 2026 20:38:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-02 21:34:28.955978
• Title: Dive into Waves: Morlet Spectral Transformer for Cross-Subject Emotion Decoding from EEG
• Title（参考訳）: Dive into Waves:脳波からのクロスオブジェクト感情デコーディングのためのモードスペクトル変換器
• Abstract要約: クロスオブジェクト感情認識は、脳-コンピュータモデリングにおいて事実上重要な問題であるが難しい問題である。 既存のアプローチは、大きな事前訓練された基礎モデルに依存しており、大量のデータを必要とするが、それでもクロスオブジェクトの変動に苦慮している。 本稿では,3つのインタフェースを中心に構築されたMorlet Spectral Transformer (MST)を提案する。
• 参考スコア（独自算出の注目度）: 5.886986014593717
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: We study cross-subject emotion recognition from EEG, a practically important yet challenging problem in brain-computer interfaces. Unlike tasks with clear waveform signatures, emotion-related EEG signals are primarily encoded in spectral power and are weak, noisy, and highly variable across subjects. Existing approaches rely either on large pretrained EEG foundation models, which require massive data yet still struggle with cross-subject variability, or frequency-domain encoders, which better reflect spectral structure but suffer from mismatched representations, drift-dominated tokenization, and lack of band-specific spatial modeling. In this article, we propose the Morlet Spectral Transformer (MST), built around three key components and integrated with a spatiotemporal Transformer backbone. First, Morlet wavelet tokenization provides a time-frequency representation that matches the multi-scale structure of brain rhythms, and extends classical differential entropy features to a form suitable for Transformers. Second, long-context baseline removal acts as a simple temporal normalization that removes subject-specific drift and redundancy across nearby windows. Third, frequency-specific spatial projection learns a separate channel mixer for each frequency band, capturing interpretable band-specific patterns and reducing cross-channel mixing. We show that, even without pretraining, MST consistently outperforms both large pretrained EEG foundation models and frequency-based methods across all SEED-family datasets. These results suggest that careful representation design can yield an accurate, cost-effective, and interpretable alternative to large-scale pretraining.
• Abstract（参考訳）: 脳-コンピュータインタフェースにおいて,脳波からのクロスオブジェクト感情認識について検討する。 明確な波形シグネチャを持つタスクとは異なり、感情関連脳波信号は、主にスペクトルパワーで符号化され、弱く、雑音があり、被験者間で非常に可変である。 既存のアプローチは、大量のデータを必要とするが、クロスオブジェクトの変動に苦しむ大規模なEEG基盤モデルや、スペクトル構造をよく反映するが、不一致表現、ドリフトに支配されたトークン化、バンド固有の空間モデリングの欠如に悩まされている周波数領域エンコーダに依存している。 本稿では,Morlet Spectral Transformer (MST)を提案する。 まず、モーレットウェーブレットのトークン化は、脳リズムのマルチスケール構造と一致する時間周波数表現を提供し、古典的な微分エントロピーの特徴をトランスフォーマーに適した形式に拡張する。 第二に、長文のベースライン除去は単純な時間正規化として機能し、近辺の窓を横切る主観的なドリフトと冗長性を除去する。 第3に、周波数固有空間投影は、各周波数帯域に対して別々のチャネルミキサーを学習し、解釈可能なバンド固有パターンをキャプチャし、クロスチャネル混合を低減する。 事前トレーニングなしでも、MSTは大きな事前トレーニングされた脳波基盤モデルとSEEDデータセット全体にわたる周波数ベースの手法の両方を一貫して上回っていることを示す。 これらの結果から,注意深い表現設計が大規模事前学習の精度,コスト効率,解釈可能な代替手段となる可能性が示唆された。

関連論文リスト

• Multimodal Wearable-Based Olfactory-Induced Emotion Recognition in Arousal-Valence Dimensions [15.21606334710936]
  オルフアクションは非侵襲的で軽量な経路として働き、脳の情動回路や感情調節に直接関与する。 現在の嗅覚研究には2つの重要な限界がある。 陽気さを無視しながら、原子価の次元を過度に強調する。
  論文  参考訳（メタデータ） (2026-07-24T01:42:27Z)
• STAMBRIDGE: Spectral-Temporal Amplitude-aware Mid-Feature Bridge for EEG Visual Decoding [5.653339889503698]
  STAMBRIDGEは機能コンディショニングとクロスモーダルアライメントに取り組む汎用的な2段階フレームワークである。 このような頑健なニューラルネットワークの特徴を基盤として,モデルに依存しない中機能セマンティックブリッジ(MFSB)を導入する。 THINGS-EEGベンチマークの実験では、Top-1の34.50%、Top-5の65.95%の精度で200方向ゼロショットの検索性能が向上した。
  論文  参考訳（メタデータ） (2026-05-22T01:21:45Z)
• SpecMoE: Spectral Mixture-of-Experts Foundation Model for Cross-Species EEG Decoding [0.0]
  SpecMoEは、学習されたスペクトルゲーティングメカニズムによってガイドされるエキスパートフレームワークの混合である。 睡眠ステージング、感情認識、運動像分類、異常信号検出、薬物効果予測など、さまざまな脳波デコーディングタスクのセットで最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2026-03-17T16:20:14Z)
• LEFT: Learnable Fusion of Tri-view Tokens for Unsupervised Time Series Anomaly Detection [53.191369031661885]
  教師なし時系列異常検出は、アノテーションの可用性を前提とせず、異常なタイムスタンプを識別するモデルを構築することを目的としている。 本稿では,非教師付きTSADフレームワークであるLearnable Fusion of Tri-view Tokens(LEFT)について述べる。 実世界のベンチマーク実験では、LEFTはSOTAベースラインに対して最高の検出精度を示し、FLOPの5倍、トレーニングの8倍のスピードアップを実現している。
  論文  参考訳（メタデータ） (2026-02-09T13:33:49Z)
• FAIM: Frequency-Aware Interactive Mamba for Time Series Classification [87.84511960413715]
  時系列分類(TSC)は、環境モニタリング、診断、姿勢認識など、多くの実世界の応用において重要である。 本稿では,周波数対応対話型マンバモデルであるFAIMを提案する。 FAIMは既存の最先端(SOTA)手法を一貫して上回り、精度と効率のトレードオフが優れていることを示す。
  論文  参考訳（メタデータ） (2025-11-26T08:36:33Z)
• Wavelet-Guided Dual-Frequency Encoding for Remote Sensing Change Detection [67.84730634802204]
  リモートセンシング画像の変化検出は,自然災害監視,都市拡張追跡,インフラ管理など,さまざまな工学的応用において重要な役割を担っている。 既存のほとんどの手法は空間領域モデリングに依存しており、特徴表現の限られた多様性は微妙な変化領域の検出を妨げる。 本研究では、特にウェーブレット領域における周波数領域の特徴モデリングが周波数成分の微細な違いを増幅し、空間領域において捉えにくいエッジ変化の知覚を高めることを観察する。
  論文  参考訳（メタデータ） (2025-08-07T11:14:16Z)
• Freqformer: Image-Demoiréing Transformer via Efficient Frequency Decomposition [83.40450475728792]
  本稿では,Freqformerについて述べる。Freqformerは,ターゲット周波数分離による画像復号化に特化して設計されたトランスフォーマーベースのフレームワークである。 本手法は,モワールパターンを高周波数空間局在化テクスチャと低周波数スケールローバスト色歪みに明確に分割する有効な周波数分解を行う。 様々なデモアのベンチマーク実験により、Freqformerは、コンパクトなモデルサイズで最先端のパフォーマンスを達成することを示した。
  論文  参考訳（メタデータ） (2025-05-25T12:23:10Z)
• Boosting ViT-based MRI Reconstruction from the Perspectives of Frequency Modulation, Spatial Purification, and Scale Diversification [6.341065683872316]
  ViTは、画像の高周波成分を捉えるのに苦労し、局所的なテクスチャやエッジ情報を検出する能力を制限する。 コンテンツ中の関連トークンと非関連トークンのうち、MSA(Multi-head self-attention)を計算する。 ViTsのフィードフォワードネットワークは、画像復元に重要なマルチスケール情報をモデル化することができない。
  論文  参考訳（メタデータ） (2024-12-14T10:03:08Z)
• Transform Once: Efficient Operator Learning in Frequency Domain [69.74509540521397]
  本研究では、周波数領域の構造を利用して、空間や時間における長距離相関を効率的に学習するために設計されたディープニューラルネットワークについて検討する。 この研究は、単一変換による周波数領域学習のための青写真を導入している。
  論文  参考訳（メタデータ） (2022-11-26T01:56:05Z)
• Temporal-Spatial Neural Filter: Direction Informed End-to-End Multi-channel Target Speech Separation [66.46123655365113]
  ターゲット音声分離とは、混合信号からターゲット話者の音声を抽出することを指す。 主な課題は、複雑な音響環境とリアルタイム処理の要件である。 複数話者混合から対象音声波形を直接推定する時間空間ニューラルフィルタを提案する。
  論文  参考訳（メタデータ） (2020-01-02T11:12:50Z)

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。