論文の概要: Evaluation Protocols and Cross-Subject Generalization in EEG Emotion Recognition
- arxiv url: http://arxiv.org/abs/2607.27655v1
- Date: Thu, 30 Jul 2026 04:13:43 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-31 21:37:00.392294
- Title: Evaluation Protocols and Cross-Subject Generalization in EEG Emotion Recognition
- Title（参考訳）: 脳波感情認識における評価プロトコルとクロスオブジェクト一般化
- Authors: Hanting Suo, Yuwen Li,
- Abstract要約: 本研究は,SEEDおよびSEED-IV上の動的グラフ畳み込みニューラルネットワーク経路を実例として用いた。
したがって, 被験者依存, 被験者分離, クロスセッションの結果は, 異なる質問に対する回答として報告されるべきである。
- 参考スコア（独自算出の注目度）: 2.5603375915051747
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Reported accuracy in electroencephalography (EEG) emotion recognition depends on the complete evaluation procedure, not only the classifier. We separate the target quantity, development procedure, and reporting rule, then use one archived dynamical graph convolutional neural network (DGCNN) pathway on SEED and SEED-IV as an illustrative case. In a protocol-matched subject-dependent check, the SEED result was within 1.47 percentage points of the public reference value; the 3.40-point SEED-IV difference remained unresolved. Across 30 matched SEED subject-session trajectories, checkpoint selection based on repeated test-set evaluation increased mean window accuracy from 0.7855 at epoch 80 to 0.8892. Under five-fold subject-disjoint evaluation, validation-selected checkpoints achieved training-participant trial accuracies of 0.9990 on SEED and 0.9920 on SEED-IV. Accuracy for entirely held-out participants was 0.5348 (95% conditional subject-level bias-corrected and accelerated [BCa] interval [0.4667, 0.5985]) on SEED. The SEED-IV estimate was 0.3954 ([0.3343, 0.4648]) and is reported only as secondary sensitivity evidence because its protocol-matched compatibility check remained unresolved. The observed train-to-held-out-subject gaps are inconsistent with simple optimization underfitting, but they do not isolate subject identity from implementation, preprocessing, representation, or distributional factors. Supporting analyses further showed that participant rankings depended on representation and time scale, while a development-selected tail-risk ensemble did not establish a positive gain in a separate final evaluation. Subject-dependent, subject-disjoint, and cross-session results should therefore be reported as answers to different questions.
- Abstract（参考訳）: 脳波(EEG)の感情認識の精度は、分類器だけでなく、完全な評価手順に依存する。
本研究は,SEEDおよびSEED-IV上の1つの動的グラフ畳み込みニューラルネットワーク(DGCNN)経路を実例として,対象量,開発手順,報告規則を分離する。
プロトコルマッチングされた主題依存チェックでは、SEED結果は公開基準値の1.47ポイント以内であり、3.40ポイントのSEED-IV差は未解決のままであった。
テストセットの繰り返し評価に基づくチェックポイント選択により, 平均ウィンドウ精度は80年代以降0.7855から0.8892に向上した。
5倍被験者差分評価では,SEED-IVでは0.9990,SEED-IVでは0.9920のトレーニング参加試験を達成した。
0.5348 (95%条件偏差補正, 加速[BCa]間隔 [0.4667, 0.5985]) であった。
SEED-IVの推定値は0.3954([0.3343, 0.4648])であり、プロトコルに適合した互換性チェックが未解決であるため、二次感度の証拠としてのみ報告されている。
観測されたトレイン・トゥ・ホールド・アウト・オブジェクトのギャップは、単純な最適化アンダーフィットとは矛盾するが、対象のアイデンティティを実装、前処理、表現、分散要因から分離しない。
さらに, 参加者のランク付けは表現と時間尺度に依存し, 展開選択された尾リスクアンサンブルは, 最終評価において肯定的な利得を得られなかった。
したがって, 被験者依存, 被験者分離, クロスセッションの結果は, 異なる質問に対する回答として報告されるべきである。
関連論文リスト
- From Checker to Forecaster: Code-Owned Evaluation of Model-Generated Strategic Routes Under Delayed Ground Truth [0.0]
RouteCastはモデル生成型戦略ルートの仕組みをインスタンス化する。
暫定予測が作成され、後の結果で予測が評価される。
将来的な校正、因果決定の改善、経路分割の優位性、ドメイン間の妥当性は確立していない。
論文 参考訳（メタデータ） (2026-07-13T00:36:48Z) - Training-Free Model Selection and Domain-Aware Score Calibration for First-Shot Anomalous Sound Detection [0.12691047660244334]
DCASE Challenge Task 2における1発の異常音検出は、未確認の機械の異常を1つの閾値で警告しなければならない。
ソースドメインとターゲットドメインのAUCはシステム間で負の相関を持ち、開発セットの性能は評価セットのパフォーマンスを予測しない。
凍結したオーディオ埋め込みの上に、トレーニング不要のポストホック層で対処する。
論文 参考訳（メタデータ） (2026-07-05T22:22:31Z) - Distribution-Free Uncertainty Quantification for Continuous AI Agent Evaluation [1.2299000423193074]
我々は、連続AIエージェント評価に分割共形予測と適応共形推論を適用した。
その結果, 年齢ごとの条件付きカバレッジは, 名目レベルを中心に, 十分に集中していることがわかった。
円形制御されたバリデーションにより、フレームワークはベンチマークを超えて信号をキャプチャする。
論文 参考訳（メタデータ） (2026-05-19T12:47:21Z) - A Nonlinear Complexity Index for Wearable PPG Cardiovascular Stability: Multiscale Validation, Systematic Evaluation Correction, and Bayesian Parameter Optimization [1.1344265020822928]
心血管安定性指数 (SCSI) を導入し, 4つの異種時間尺度から176,742セグメントで検証した。
我々は,真のベースラインから0.5732まで成分を注入する3つの評価アーティファクトを同定した。
論文 参考訳（メタデータ） (2026-05-11T13:55:30Z) - From Black Box to Glass Box: Cross-Model ASR Disagreement to Prioto Review in Ambient AI Scribe Documentation [43.148402136307716]
異種ASRシステム間のクロスモデル不一致は、基準のない不確実性信号として機能する。
商用APIとオープンソースエンジンにまたがる8つのASRシステムを備えた,50の公開医療用オーディオクリップを転写した。
低アグリメント領域は内容の不一致に富み、高リスク質量のクインタイル全体では53.9%から73.9%に増加した。
論文 参考訳（メタデータ） (2026-03-02T13:02:13Z) - Development of a fully deep learning model to improve the reproducibility of sector classification systems for predicting unerupted maxillary canine likelihood of impaction [0.11726720776908518]
本研究の目的は,セクター分類システムの内・間運用者を減らすための,完全深層学習モデルを開発することである。
DenseNet121は3つの異なるクラスで影響を受け、全体的な精度は76.8%であった。
論文 参考訳（メタデータ） (2025-11-24T14:45:46Z) - SummExecEdit: A Factual Consistency Benchmark in Summarization with Executable Edits [31.98028879922584]
SummExecEditという新しいパイプラインとベンチマークを導入し、実際のエラーを検知し、正確な説明を提供する能力についてモデルを評価する。
トップパフォーマンスモデルであるClaude3-Opusは、ベンチマークでわずか0.49のジョイント検出と説明スコアを達成している。
説明ミスの4つの主要なタイプを特定し、その45.4%は、要約の完全に無関係な部分に焦点を当てている。
論文 参考訳（メタデータ） (2024-12-17T23:26:44Z) - CardioSyntax: end-to-end SYNTAX score prediction -- dataset, benchmark and method [36.440495538328754]
SynTAXスコアは、冠動脈疾患の重症度を測る手段として広く用いられている。
本稿では,冠動脈造影からSynTAXスコアを自動推定する医療レグレッションと分類問題を提案する。
我々は,SynTAXスコア推定と冠優位分類のために,3,018人の総合的なCardioSYNTAXデータセットを提示した。
論文 参考訳（メタデータ） (2024-07-29T11:16:59Z) - Systematic Clinical Evaluation of A Deep Learning Method for Medical
Image Segmentation: Radiosurgery Application [48.89674088331313]
3次元医用画像分割作業において,Deep Learning (DL) 手法を体系的に評価した。
本手法は放射線外科治療プロセスに統合され,臨床ワークフローに直接影響を及ぼす。
論文 参考訳（メタデータ） (2021-08-21T16:15:40Z) - Correct block-design experiments mitigate temporal correlation bias in
EEG classification [68.85562949901077]
[1]の主主張は極めて過大評価されており、他の分析は間違った方法論的選択によって深刻な欠陥を負っていることを示す。
脳波の時間相関が2つの実験環境で同じモデルをテストすることによって分類精度に及ぼす影響について検討した。
論文 参考訳（メタデータ） (2020-11-25T22:25:21Z) - Multilabel 12-Lead Electrocardiogram Classification Using Gradient
Boosting Tree Ensemble [64.29529357862955]
我々は,心電図の診断を分類するために,形態や信号処理機能に適合した勾配強化木のアンサンブルを用いたアルゴリズムを構築した。
各リードについて、心拍変動、PQRSTテンプレート形状、全信号波形から特徴を導出する。
各クラスに属するECGインスタンスの確率を予測するため、全12項目の特徴と合わせて、勾配を増す決定ツリーの集合に適合する。
論文 参考訳（メタデータ） (2020-10-21T18:11:36Z)
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。