論文の概要: EEGDancer: Dynamic Emotion Latent Space Masked Modeling with Reinforcement Learning for EEG Continuous Emotion Prediction

• arxiv url: http://arxiv.org/abs/2606.05855v1
• Date: Thu, 04 Jun 2026 08:28:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-06 06:55:34.640329
• Title: EEGDancer: Dynamic Emotion Latent Space Masked Modeling with Reinforcement Learning for EEG Continuous Emotion Prediction
• Title（参考訳）: EEGDancer:脳波連続感情予測のための強化学習を用いた動的感情潜在空間マスケッドモデリング
• Authors: Zhihao Zhou, Weishan Ye, Li Zhang, Gan Huang, Zhen Liang,
• Abstract要約: 連続的な脳波感情予測のための動的感情潜在空間学習フレームワークであるEEGDancerを提案する。 このフレームワークはベクトル量子化表現学習、マスク付き時間モデル、強化学習に基づく軌道最適化を統合している。 EEGDancerは、既存の機械学習とディープラーニングの手法を一貫して上回っている。
• 参考スコア（独自算出の注目度）: 10.628693701777465
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Continuous electroencephalography (EEG) emotion prediction aims to model the temporal evolution of human emotional states from EEG signals. Unlike conventional discrete emotion recognition, continuous prediction requires capturing long-range temporal dependencies and coherent emotional dynamics. However, existing methods mainly rely on point-wise regression and directly model noisy high-dimensional EEG features, limiting their ability to characterize continuous emotional evolution.To address these challenges, we propose EEGDancer, a dynamic emotional latent space learning framework for continuous EEG emotion prediction. The framework integrates vector-quantized representation learning, masked temporal modeling, and reinforcement learning-based trajectory optimization into a unified architecture.Specifically, a causal spatiotemporal Vector-Quantization Variational Autoencoder (VQ-VAE) is designed to learn structured emotional prototypes and construct a discrete-continuous emotional latent space from EEG signals. Based on the learned latent representations, a Transformer-based masked dynamic modeling strategy captures long-range emotional dependencies and temporal evolution patterns. Furthermore, continuous emotion prediction is formulated as a sequential decision-making problem, and a Soft Actor-Critic (SAC) framework is introduced to optimize emotional prediction trajectories at the sequence level instead of frame-wise local fitting.Extensive experiments on the SEED, SEED-IV, and Long-Term Naturalistic Emotion datasets demonstrate that EEGDancer consistently outperforms existing machine learning and deep learning methods. Ablation studies further verify the effectiveness of the proposed latent space and reinforcement learning-based trajectory optimization for modeling continuous EEG emotional dynamics.
• Abstract（参考訳）: 連続脳波(EEG)の感情予測は、脳波信号から人間の感情状態の時間的進化をモデル化することを目的としている。 従来の離散的な感情認識とは異なり、連続予測は長期の時間的依存と一貫性のある感情力学を捉える必要がある。 しかし、既存の手法は、主にポイントワイド回帰と高次元脳波の特徴を直接モデル化し、連続的な感情の進化を特徴付ける能力を制限する。 このフレームワークはベクトル量子化表現学習、マスク時間モデル、強化学習に基づく軌道最適化を統一アーキテクチャに統合し、特に、脳波信号から構造化された感情的プロトタイプを学習し、離散連続的な感情的潜伏空間を構築するために、因果時空間ベクトル量子化変分オートコーダ(VQ-VAE)を設計する。 学習した潜在表現に基づいて、Transformerベースのマスク付き動的モデリング戦略は、長期の感情的依存と時間的進化パターンをキャプチャする。 さらに、連続的な感情予測を逐次意思決定問題として定式化し、フレームワイドな局所的なフィッティングではなく、シーケンスレベルでの感情予測トラジェクトリを最適化するソフトアクタ・クリティカル(SAC)フレームワークを導入し、SEED、SEED-IV、Long-Term Naturalistic Emotionデータセットによる大規模な実験により、EEGDancerが既存の機械学習やディープラーニングの手法を一貫して上回ることを示した。 アブレーション研究は、連続脳波の感情力学をモデル化するための、提案した潜在空間と強化学習に基づく軌道最適化の有効性をさらに検証する。

関連論文リスト

• EMO-R3: Reflective Reinforcement Learning for Emotional Reasoning in Multimodal Large Language Models [62.3977734456669]
  マルチモーダル大規模言語モデル(MLLM)の感情的推論能力を高めるためのフレームワークとして,情緒的推論のための反射強化学習(EMO-R3)を提案する。 構造化された感情的思考を導入し、構造化された解釈可能な方法で段階的に感情的推論を行い、そのモデルが視覚的テキストの一貫性と感情的コヒーレンスに基づいてその推論を再評価できる反射的感情的回帰を設計する。 EMO-R3はMLLMの解釈可能性と感情的インテリジェンスの両方を大幅に改善し、複数の視覚的感情理解ベンチマークにおいて優れた性能を達成する。
  論文  参考訳（メタデータ） (2026-02-27T08:42:52Z)
• Memory-guided Prototypical Co-occurrence Learning for Mixed Emotion Recognition [56.00118641432005]
  本稿では,感情共起パターンを明示的にモデル化するメモリ誘導型プロトタイプ共起学習フレームワークを提案する。 人間の認知記憶システムに触発されて,意味レベルの共起関係を抽出するメモリ検索戦略を導入する。 本モデルは感情分布予測のための感情情報表現を学習する。
  論文  参考訳（メタデータ） (2026-02-24T04:11:25Z)
• EEG Emotion Classification Using an Enhanced Transformer-CNN-BiLSTM Architecture with Dual Attention Mechanisms [0.0]
  本研究では,ハイブリッドなディープラーニングアーキテクチャが脳波データの感情分類性能とロバスト性を向上させるかを検討する。 本稿では, 畳み込み特徴抽出, 双方向時間モデル, 自己保持機構と正規化戦略を組み合わせたハイブリッドモデルを提案する。
  論文  参考訳（メタデータ） (2026-02-06T06:05:53Z)
• 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)
• A Unified Spoken Language Model with Injected Emotional-Attribution Thinking for Human-like Interaction [50.05919688888947]
  本稿では,感情的インテリジェンスのための統一言語モデルを提案する。 IEATは、ユーザーの感情状態とその根本原因をモデルの内部推論プロセスに組み込んでおり、明示的な監督として扱われるのではなく、感情を意識した推論を内部化することができる。 HumDial(Human-like Spoken Dialogue Systems Challenge)Emotional Intelligenceベンチマークの実験は、提案手法が感情軌道モデリング、感情的推論、共感的応答生成にまたがるトップランク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） (2026-01-08T14:07:30Z)
• Spatial-Temporal Transformer with Curriculum Learning for EEG-Based Emotion Recognition [2.847161275680418]
  SST-CLは、空間時間変換器とカリキュラム学習を統合した新しいフレームワークである。 力に敏感なカリキュラム学習戦略は、高強度から低強度の感情状態へのトレーニングを指導する。 3つのベンチマークデータセットの実験では、様々な感情的強度レベルにわたる最先端のパフォーマンスが示されている。
  論文  参考訳（メタデータ） (2025-07-19T17:23:38Z)
• Multi-modal Mood Reader: Pre-trained Model Empowers Cross-Subject Emotion Recognition [23.505616142198487]
  我々は、クロスオブジェクト感情認識のための訓練済みモデルに基づくMultimodal Mood Readerを開発した。 このモデルは、大規模データセットの事前学習を通じて、脳波信号の普遍的な潜在表現を学習する。 公開データセットに関する大規模な実験は、クロスオブジェクト感情認識タスクにおけるMood Readerの優れたパフォーマンスを示している。
  論文  参考訳（メタデータ） (2024-05-28T14:31:11Z)
• Enhancing Emotional Generation Capability of Large Language Models via Emotional Chain-of-Thought [50.13429055093534]
  大規模言語モデル(LLM)は様々な感情認識タスクにおいて顕著な性能を示した。 本研究では,感情生成タスクにおけるLLMの性能を高めるための感情連鎖(ECoT)を提案する。
  論文  参考訳（メタデータ） (2024-01-12T16:42:10Z)
• Topological EEG Nonlinear Dynamics Analysis for Emotion Recognition [20.74019148808772]
  本稿では,位相空間再構成(PSR)技術を用いて位相空間にEEG時系列を変換するトポロジカルEEG非線形力学解析手法を提案する。 提案手法をDREAMERデータセットとDEAPデータセットの2つのよく知られたベンチマークデータセットを用いて評価する。
  論文  参考訳（メタデータ） (2022-03-14T07:31:42Z)
• Continuous Emotion Recognition with Spatiotemporal Convolutional Neural Networks [82.54695985117783]
  In-theld でキャプチャした長いビデオシーケンスを用いて,持続的な感情認識のための最先端のディープラーニングアーキテクチャの適合性を検討する。 我々は,2D-CNNと長期記憶ユニットを組み合わせた畳み込みリカレントニューラルネットワークと,2D-CNNモデルの微調整時の重みを膨らませて構築した膨らませた3D-CNNモデルを開発した。
  論文  参考訳（メタデータ） (2020-11-18T13:42:05Z)

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。