論文の概要: From Stress to Affect: Multimodal Deep Learning for Physiological Emotion Recognition Across Wearable Sensor Modalities

• arxiv url: http://arxiv.org/abs/2609.20991v1
• Date: Thu, 17 Sep 2026 18:45:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-21 18:40:16.754954
• Title: From Stress to Affect: Multimodal Deep Learning for Physiological Emotion Recognition Across Wearable Sensor Modalities
• Title（参考訳）: ストレスから感情へ:ウェアラブル・センサ・モダリティ間の生理的感情認識のためのマルチモーダル深層学習
• Abstract要約: WESADとEmoWearの2つのウェアラブルデータセットを用いて、生理的感情認識のための時間的深層学習アーキテクチャの比較研究を行った。 相対的なアーキテクチャ性能は、1つのアーキテクチャが一様に優れているというよりも、データセット特性に依存していることを示す。
• 参考スコア（独自算出の注目度）: 7.0930706640450225
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Physiological emotion recognition using wearable sensors has important applications in mental health monitoring, affective computing, and human-computer interaction. However, existing studies typically evaluate a single model, sensing configuration, or dataset, limiting our understanding of how these factors influence recognition performance. We present a comparative study of temporal deep learning architectures for physiological emotion recognition using two multimodal wearable datasets: WESAD and EmoWear. Bidirectional long short-term memory (LSTM), temporal convolutional network (TCN), and Transformer models are evaluated under wrist-only, chest-only, and multimodal sensing configurations using participant-independent leave-one-subject-out cross-validation (LOSO-CV). We also investigate soft-voting ensembles, sensor ablation, sampling frequency, and gradient-based saliency. The Transformer achieved the highest multimodal accuracy on WESAD (99.02% +/- 0.51%), whereas the LSTM achieved the best multimodal accuracy on EmoWear for both arousal (91.80% +/- 1.06%) and valence (89.96% +/- 0.36%). These results show that relative architecture performance depends on dataset characteristics rather than one architecture being uniformly superior. Multimodal sensing consistently outperformed wrist-only and chest-only configurations across both datasets. Sampling-frequency analysis showed that 4 Hz provides a practical operating point, with performance comparable to higher frequencies at substantially lower training cost. These findings provide guidance for selecting architectures, sensing modalities, and sampling frequencies for wearable physiological emotion recognition.
• Abstract（参考訳）: ウェアラブルセンサーを用いた生理的感情認識は、メンタルヘルスモニタリング、感情コンピューティング、人間とコンピュータの相互作用において重要な応用である。 しかしながら、既存の研究は通常、単一のモデル、センシング構成、データセットを評価し、これらの要因が認識性能に与える影響について理解を制限する。 WESADとEmoWearの2つのマルチモーダルウェアラブルデータセットを用いた生理的感情認識のための時間的深層学習アーキテクチャの比較研究を行った。 2方向長短期記憶(LSTM)、時間畳み込みネットワーク(TCN)、トランスフォーマーモデル(Transformer model)を、参加者非依存のLeft-one-subject-out Cross-validation(LOSO-CV)を用いて、手首のみ、胸のみ、マルチモーダルセンシング構成で評価する。 また,軟発声アンサンブル,センサアブレーション,サンプリング周波数,勾配に基づくサリエンシについても検討した。 トランスフォーマーは WESAD (99.02% +/-0.51%) で最も高いマルチモーダル精度を達成したが、LSTMはEmoWear (91.80% +/-1.06%) と valence (89.96% +/-0.36%) で最高のマルチモーダル精度を達成した。 これらの結果から, 相対的なアーキテクチャ性能は, 1つのアーキテクチャが一様に優れているというよりも, データセット特性に依存することが明らかとなった。 マルチモーダルセンシングは、両データセット間で、手首のみと胸のみの設定を一貫して上回る。 サンプリング周波数分析の結果,4Hzは実効的な動作点であり,トレーニングコストが大幅に低い場合,高い周波数に匹敵する性能を示した。 これらの知見は、建築の選定、モダリティの検知、およびウェアラブルの生理的感情認識のためのサンプリング周波数に関するガイダンスを提供する。

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)
• Deep Temporal Modeling and Ensemble Fusion for Multimodal Emotion Recognition from Physiological Signals [6.265137019897129]
  マルチモーダル影響認識のための WESAD データセット上で,Long Short-Term Memory (LSTM), Temporal Convolutional Networks (TCN), Transformer などのディープラーニングモデルの包括的評価を行う。 我々は,マルチモーダル入力で訓練された3つのアーキテクチャの予測を組み合わせ,遅延融合型アンサンブル戦略を実装した。 以上の結果から,Transformerモデルはマルチモーダル設定において常に高い精度を達成し,TNモデルは手首のみの設定において最良であることがわかった。
  論文  参考訳（メタデータ） (2026-06-12T23:50:33Z)
• Design and Validation of a Lightweight 1D CNN for Affective Touch Classification in Soft Plush Companions [59.49967357689445]
  ソフトなセンサー付きコンパニオンは、社会的支援技術のための物理的に安全で感情的に直感的なインターフェースを提供する。 本研究では,ソフト・インタラクティブ・コンパニオンにおける感情的触覚認識のためのディープラーニングモデルの開発と検証を目的とした,オープンソースで拡張されたリアルタイムフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-04-16T10:20:05Z)
• Digital FAST: An AI-Driven Multimodal Framework for Rapid and Early Stroke Screening [0.7136933021609076]
  本研究では,F.A.S.T.アセスメントで収集したデータをもとに,高速かつ非侵襲的な2次脳卒中自動スクリーニングのための多モード深層学習フレームワークを提案する。 提案手法は, 表情, 音声信号, 上体動作からの相補的な情報を統合し, 診断の堅牢性を高める。
  論文  参考訳（メタデータ） (2026-01-17T03:35:39Z)
• SynBrain: Enhancing Visual-to-fMRI Synthesis via Probabilistic Representation Learning [54.390403684665834]
  視覚刺激が皮質反応にどのように変換されるかを理解することは、計算神経科学の基本的な課題である。 視覚的意味論から神経反応への変換を確率的かつ生物学的に解釈可能な方法でシミュレートする生成フレームワークであるSynBrainを提案する。 実験結果から,SynBrainは被写体特異的視覚-fMRI符号化性能において最先端の手法を超越していることが示された。
  論文  参考訳（メタデータ） (2025-08-14T03:01:05Z)
• Efficient and Robust Multidimensional Attention in Remote Physiological Sensing through Target Signal Constrained Factorization [7.947387272047604]
  マルチモーダルビデオ入力からの光胸腺造影(rRSP)信号と呼吸(rRSP)信号の同時推定を目的とした,効率的なデュアルブランチ3D-CNNアーキテクチャであるMMRPhysを提案する。 TSFMを用いたMMRPhysは、リアルタイムアプリケーションに適した最小の推論レイテンシを維持しつつ、RRSP推定のための領域シフトの一般化において最先端の手法を著しく上回ることを示す。
  論文  参考訳（メタデータ） (2025-05-11T15:20:45Z)
• VR Based Emotion Recognition Using Deep Multimodal Fusion With Biosignals Across Multiple Anatomical Domains [3.303674512749726]
  本稿では,Squeeze-and-Excitation(SE)ブロックと組み合わせた,新しいマルチスケールアテンションベースのLSTMアーキテクチャを提案する。 提案したアーキテクチャは,ユーザスタディで検証され,評価値と覚醒レベルを分類する上で,優れた性能を示す。
  論文  参考訳（メタデータ） (2024-12-03T08:59:12Z)
• Scaling Wearable Foundation Models [54.93979158708164]
  センサ基礎モデルのスケーリング特性を計算,データ,モデルサイズにわたって検討する。 最大4000万時間分の心拍数、心拍変動、心電図活動、加速度計、皮膚温度、および1分間のデータを用いて、私たちはLSMを作成します。 この結果から,LSMのスケーリング法則は,時間とセンサの両面において,計算や外挿などのタスクに対して確立されている。
  論文  参考訳（メタデータ） (2024-10-17T15:08:21Z)
• Convolutional Monge Mapping Normalization for learning on sleep data [63.22081662149488]
  我々は、CMMN(Convolutional Monge Mapping Normalization)と呼ばれる新しい手法を提案する。 CMMNは、そのパワースペクトル密度(PSD)をトレーニングデータに基づいて推定されるワッサーシュタインバリセンタに適応させるために、信号をフィルタリングする。 睡眠脳波データに関する数値実験により、CMMNはニューラルネットワークアーキテクチャから独立して、顕著で一貫したパフォーマンス向上をもたらすことが示された。
  論文  参考訳（メタデータ） (2023-05-30T08:24:01Z)
• Video-based Remote Physiological Measurement via Cross-verified Feature Disentangling [121.50704279659253]
  非生理的表現と生理的特徴を混同するための横断的特徴分離戦略を提案する。 次に, 蒸留された生理特性を用いて, 頑健なマルチタスク生理測定を行った。 歪んだ特徴は、最終的に平均HR値やr信号のような複数の生理的信号の合同予測に使用される。
  論文  参考訳（メタデータ） (2020-07-16T09:39:17Z)

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。