論文の概要: Context-Aware Topological Distillation Graph Network for Asymmetric EEG-Eye Movement Emotion Recognition

• arxiv url: http://arxiv.org/abs/2610.26084v1
• Date: Mon, 19 Oct 2026 09:43:01 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-10-20 22:36:12.992823
• Title: Context-Aware Topological Distillation Graph Network for Asymmetric EEG-Eye Movement Emotion Recognition
• Title（参考訳）: 非対称脳波アイ運動認識のための文脈対応トポロジカル蒸留グラフネットワーク
• Abstract要約: 脳波-眼球運動感情認識は、メンタルヘルスモニタリングと適応インターフェースをサポートする。 ほとんどの融合モデルは、2つの信号を平行な特徴として扱い、各ウィンドウを個別に分類し、視データが失われると分解する。 本稿では,脳波の特徴が電極グラフのノードを形成し,先行ウィンドウがエッジ,ノード,読み出し,エッジを電極固有のプロンプトで調節する,コンテキスト認識型トポロジカル蒸留グラフネットワーク(CTD-GNet)を提案する。 CTD-GNetの平均精度は84.91%、76.17%で、13眼の9と6よりかなり高い。
• 参考スコア（独自算出の注目度）: 3.406910660760746
• License:
• Abstract: EEG-eye movement emotion recognition can support mental-health monitoring and adaptive interfaces, but most fusion models treat the two signals as parallel features, classify each window alone and degrade when eye data are lost. We propose the Context-Aware Topological Distillation Graph Network (CTD-GNet), in which EEG features form the nodes of an electrode graph, and eye movements and preceding windows modulate its edges, nodes and readout, the edges through electrode-specific prompts. Bidirectional distillation of the graph, node relations and predictions couples this multimodal teacher with a single-window EEG student, improving the teacher and aligning the two graphs 35-fold. In leave-one-subject-out tests on SEED and SEED-IV against 17 baselines, CTD-GNet has the highest mean accuracy, 84.91% and 76.17%, significantly above 9 and 6 of 13 eye-based baselines after Holm correction, the smallest cross-subject spread among multimodal models and the highest worst-subject accuracy. It is the most accurate model at every rate of missing eye data on SEED-IV, keeps 66.1% on SEED without eye data, more than any EEG-only model, and stays 9.3 and 11.9 points above all single-window fusion models under eye-movement noise of one standard deviation. On film clips unseen in training, it leads on SEED with 77.1%.
• Abstract（参考訳）: 脳波-眼球運動感情認識は、メンタルヘルスモニタリングと適応インターフェースをサポートするが、ほとんどの融合モデルは、2つの信号を平行な特徴として扱い、それぞれのウィンドウを分類し、視データが失われると劣化する。 本稿では,脳波の特徴が電極グラフのノードを形成し,先行ウィンドウがエッジ,ノード,読み出し,エッジを電極固有のプロンプトで調節する,コンテキスト認識型トポロジカル蒸留グラフネットワーク(CTD-GNet)を提案する。 グラフの双方向蒸留、ノードの関係、予測は、このマルチモーダルな教師を単窓の脳波学生と結合させ、教師を改善し、2つのグラフを35倍に整列させる。 SEEDとSEED-IVの17基線に対する残留単射試験では、CTD-GNetは最高平均精度84.91%と76.17%であり、ホルム補正後の13基線のうち9基と6基を大きく上回っている。 SEED-IVの視線データの欠落率において最も正確なモデルであり、眼データ無しで66.1%をSEEDに保存し、EEGのみのモデルよりも多く、標準偏差の眼球運動雑音下では全ての単窓核融合モデルより9.3および1.9ポイント高い位置にある。 トレーニングでは見当たらないフィルムクリップでは、SEEDは77.1%となる。

関連論文リスト

• EVFormer: An Egocentric Vision-EMG Bidirectional Attention Model for Bimanual Hand Pose Estimation [7.5865368973287355]
  両手ポーズ推定は,仮想インタラクション,ウェアラブル制御,リハビリテーションにおいて重要である。 我々は,現在のRGBフレームと,それ以前の200ミリ秒の両側手首表面筋電図(sEMG)を組み合わせて,44本の指と手首の関節角度を推定するEVFormerを提案する。 EVFormerの絶対誤差は平均11.482度であり、視覚のみの13.228-13.610度、sEMGのみの遅延融合、トレーニング平均ベースラインである。
  論文  参考訳（メタデータ） (2026-10-03T19:03:32Z)
• On the Design of Qwen3.8-Next Architecture: Evaluation, Efficiency, and Training Stability [57.03393882933515]
  Qwen3.8-Flash-Nextは125Bパラメータ、トークンあたり6Bアクティベートされ、加速器から保持されるn-gram埋め込みテーブルの51Bパラメータを持つスパースミックス・オブ・エキスパートモデルである。 トレーニング前の14のベンチマークでは、このモデルは前モデルの397B-A17Bを8点、残りを少なくとも2.6ポイント、アクティベートされたパラメータが1/3、トレーニングトークンが1/3、トレーニング用FLOPが1/9であった。
  論文  参考訳（メタデータ） (2026-08-31T06:35:07Z)
• MSCGC-KAN: Multi-scale Causal Graph Convolution and Kolmogorov-Arnold Feature Mapping for EEG Emotion Recognition [4.244312032484765]
  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。
  論文  参考訳（メタデータ） (2026-05-26T07:02:13Z)
• Detecting Blinks in Healthy and Parkinson's EEG: A Deep Learning Perspective [0.0]
  我々は脳波信号を不随意の点滅と非点滅に分割するための様々な深層学習モデルを評価する。 本研究では,1,3,5個の前頭脳波電極を用いた点滅検出用パイプラインを提案する。
  論文  参考訳（メタデータ） (2025-09-05T09:17:55Z)
• Decoupled Graph Energy-based Model for Node Out-of-Distribution Detection on Heterophilic Graphs [61.226857589092]
  グラフ学習におけるノードのOOD検出は未探索のままである。 GNNSafeは、最先端の性能を持つグラフ領域にエネルギーベースの検出を適用した。 本稿では,学習過程をノード表現のためのトポロジ情報を利用するグラフエンコーダと,遅延空間で動作するエネルギーヘッドの2つの部分に分解するDeGEMを紹介する。
  論文  参考訳（メタデータ） (2025-02-25T07:20:00Z)
• One-Shot Learning for Periocular Recognition: Exploring the Effect of Domain Adaptation and Data Bias on Deep Representations [59.17685450892182]
  広範に使用されているCNNモデルにおける深部表現の挙動をワンショット近視認識のための極端データ不足下で検討する。 我々は、バイオメトリックデータセットで訓練されたネットワークを数百万の画像で活用し、最先端の結果を改善した。 SIFTのような従来のアルゴリズムは、限られたデータでCNNより優れている。
  論文  参考訳（メタデータ） (2023-07-11T09:10:16Z)
• DAGAM: A Domain Adversarial Graph Attention Model for Subject Independent EEG-Based Emotion Recognition [7.969549743880546]
  クロスオブジェクトの脳波変動は、性能と一般化性に悪影響を及ぼす可能性がある。 本稿では,DAGAM(Domain Adversarial Graph attention model)と呼ばれる,脳波に基づく感情認識モデルを提案する。 このモデルではSEEDの精度を92.59%(4.69%改善)、標準偏差が3.21%(2.92%低下)、SEED IVの精度が80.74%(6.90%改善)に向上した。
  論文  参考訳（メタデータ） (2022-02-27T08:02:07Z)
• Vision Transformers are Robust Learners [65.91359312429147]
  ビジョントランスフォーマー(ViT)の一般的な腐敗や摂動、分布シフト、自然逆転例に対する堅牢性について検討します。 ViTsが実際により堅牢な学習者である理由を説明するために、定量的および定性的な指標を提供する分析を提示します。
  論文  参考訳（メタデータ） (2021-05-17T02:39:22Z)

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。