論文の概要: Multiscale Temporal-Spectral-Spatial EEG Learning With Modality-Specific and Modality-Invariant Representations for Emotion Recognition

• arxiv url: http://arxiv.org/abs/2610.27521v1
• Date: Tue, 20 Oct 2026 02:35:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-21 21:58:47.590077
• Title: Multiscale Temporal-Spectral-Spatial EEG Learning With Modality-Specific and Modality-Invariant Representations for Emotion Recognition
• Title（参考訳）: 感情認識のためのモーダリティ比とモーダリティ不変表現を用いたマルチスケール時間スペクトル空間脳波学習
• Abstract要約: 本稿では,脳波を中心としたマルチモーダル感情認識フレームワークを提案する。 GMSI-NetはDEAとMAHNOB-HCIを対象内乱数10倍のクロスバリデーションを用いて評価する。 その結果,脳波の特徴と相補的な生理的情報を組み合わせることで,感情認識が向上することが示唆された。
• 参考スコア（独自算出の注目度）: 12.511672732492647
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multimodal physiological signals provide complementary cues for emotion recognition. They also raise two related challenges. Emotion-related EEG patterns vary across time, frequency bands, electrodes, and brain regions. Different physiological modalities also contain both modality-specific and shared affective information. This paper presents GMSI-Net, an EEG-centered multimodal emotion recognition framework. It has three key components. The temporal-spatial-spectral-region (TSSR) encoder models multiscale temporal-channel patterns, differential entropy features, and local-to-global brain-region relations. The modality-specific representation (MSR) branch uses bidirectional cross-modal attention and learnable gates. It controls information transfer while retaining modality-specific cues. The modality-invariant representation (MIR) branch learns a shared affective representation. An adaptively weighted contrastive loss aligns this representation across modalities. Independent multiscale Conv-Transformer encoders process the peripheral physiological signals. GMSI-Net is evaluated on DEAP and MAHNOB-HCI using within-subject random ten-fold cross-validation. The model reaches 96.21 (1.47) and 96.41 (1.60) for valence and arousal on DEAP. It reaches 94.10 (2.86) and 94.48 (3.77) on MAHNOB-HCI. These results indicate that combining EEG features with complementary physiological information can improve emotion recognition.
• Abstract（参考訳）: マルチモーダル生理学的信号は、感情認識のための補完的手がかりを提供する。 関連する課題も2つある。 感情関連脳波パターンは、時間、周波数帯、電極、脳の領域によって異なる。 異なる生理的モダリティは、モダリティ固有の情報と共有された感情情報の両方を含む。 本稿では,脳波中心のマルチモーダル感情認識フレームワークGMSI-Netを提案する。 主な構成要素は3つある。 時間-空間-スペクトル領域(TSSR)エンコーダは、マルチスケールの時間-チャネルパターン、差分エントロピー特性、局所-グローバル脳-領域関係をモデル化する。 モーダリティ特化表現(MSR)分岐は双方向の横断的注意と学習可能なゲートを使用する。 モダリティ固有の手がかりを保持しながら情報伝達を制御する。 モダリティ不変表現(MIR)は、共有された感情表現を学習する。 適応的に重み付けされた対照的な損失は、この表現をモジュラリティにわたって整列させる。 独立したマルチスケール Conv-Transformer エンコーダは周辺生理的信号を処理している。 GMSI-NetはDEAとMAHNOB-HCIを対象内乱数10倍のクロスバリデーションを用いて評価する。 このモデルは96.21 (1.47) と96.41 (1.60) に到達し、DEAP上での原子価と陽極を持つ。 MAHNOB-HCIでは94.10 (2.86)、94.48 (3.77)に達する。 これらの結果から,脳波の特徴と相補的な生理情報を組み合わせることで,感情認識が向上することが示唆された。

関連論文リスト

• 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)
• CAST-Phys: Contactless Affective States Through Physiological signals Database [74.28082880875368]
  感情的なマルチモーダルデータセットの欠如は、正確な感情認識システムを開発する上で、依然として大きなボトルネックとなっている。 遠隔の生理的感情認識が可能な新しい高品質なデータセットであるCAST-Physを提示する。 本分析では,表情だけでは十分な感情情報が得られない現実的なシナリオにおいて,生理的信号が重要な役割を担っていることを強調した。
  論文  参考訳（メタデータ） (2025-07-08T15:20:24Z)
• FreqDGT: Frequency-Adaptive Dynamic Graph Networks with Transformer for Cross-subject EEG Emotion Recognition [1.9198890060313585]
  クロスオブジェクトの一般化は、個人の多様性、認知的特徴、感情的な反応による課題である。 本稿では,周波数適応型動的グラフ変換器FreqDGTを提案する。 FreqDGTは、周波数適応性、空間力学、時間階層モデリングの統合の有効性を確認することにより、物体間感情認識の精度を大幅に向上させる。
  論文  参考訳（メタデータ） (2025-06-28T08:18:05Z)
• BrainOmni: A Brain Foundation Model for Unified EEG and MEG Signals [46.121056431476156]
  異種脳波とMEG記録を対象とする脳基礎モデルBrain Omniを提案する。 既存のアプローチは一般的に、パフォーマンスとクロスドメインのスケーラビリティを制限する、分離、モダリティ、データセット固有のモデルに依存します。 EEGの合計1,997時間、MEGデータの656時間は、事前トレーニングのために公開されているソースからキュレーションされ、標準化されている。
  論文  参考訳（メタデータ） (2025-05-18T14:07:14Z)
• PHemoNet: A Multimodal Network for Physiological Signals [9.54382727022316]
  生理的信号からのマルチモーダル感情認識のための完全超複雑ネットワークであるPHemoNetを紹介する。 アーキテクチャは、モダリティ特異的エンコーダと融合モジュールとから構成される。 提案手法は,MAHNOB-HCIデータセットの最先端モデルより優れている。
  論文  参考訳（メタデータ） (2024-09-13T21:14:27Z)
• Decoding Human Emotions: Analyzing Multi-Channel EEG Data using LSTM Networks [0.0]
  本研究では、Long Short-Term Memory (LSTM) ネットワークを用いて脳波信号を解析することにより、感情状態分類の予測精度を向上することを目的とする。 DEAPとして知られる多チャンネル脳波記録の一般的なデータセットを用いて、LSTMネットワークの特性を活用して、脳波信号データ内の時間的依存関係を処理する。 感情認識モデルの能力は, それぞれ89.89%, 90.33%, 90.70%, 90.54%であった。
  論文  参考訳（メタデータ） (2024-08-19T18:10:47Z)
• fMRI from EEG is only Deep Learning away: the use of interpretable DL to unravel EEG-fMRI relationships [68.8204255655161]
  多チャンネル脳波データからいくつかの皮質下領域の活性を回復するための解釈可能な領域基底解を提案する。 我々は,皮質下核の血行動態信号の頭皮脳波予測の空間的・時間的パターンを復元する。
  論文  参考訳（メタデータ） (2022-10-23T15:11:37Z)
• EEGminer: Discovering Interpretable Features of Brain Activity with Learnable Filters [72.19032452642728]
  本稿では,学習可能なフィルタと事前決定された特徴抽出モジュールからなる新しい識別可能なEEGデコーディングパイプラインを提案する。 我々は,SEEDデータセットおよび前例のない大きさの新たな脳波データセット上で,脳波信号からの感情認識に向けたモデルの有用性を実証する。 発見された特徴は、以前の神経科学の研究と一致し、音楽聴取中の左右の時間領域間の機能的接続プロファイルの顕著な相違など、新たな洞察を提供する。
  論文  参考訳（メタデータ） (2021-10-19T14:22:04Z)
• Contrastive Learning of Subject-Invariant EEG Representations for Cross-Subject Emotion Recognition [9.07006689672858]
  本稿では、信頼度の高いクロスオブジェクト感情認識のためのISAのためのコントラスト学習法を提案する。 ISAは、異なる刺激に対して同じ刺激を受けた被験者間での脳波信号の類似性を最大化する。 脳波信号から物体間表現を学習するために,深部空間畳み込み層と時間畳み込み層を有する畳み込みニューラルネットワークを適用した。
  論文  参考訳（メタデータ） (2021-09-20T14:13:45Z)
• 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)
• Investigating EEG-Based Functional Connectivity Patterns for Multimodal Emotion Recognition [8.356765961526955]
  本稿では, 強度, クラスタリング, 係数, 固有ベクトル中心性という3つの機能接続ネットワーク特性について検討する。 感情認識における脳波接続機能の識別能力は,3つの公開脳波データセットで評価される。 脳波の機能的接続特徴と眼球運動や生理的信号の特徴を組み合わせたマルチモーダル感情認識モデルを構築した。
  論文  参考訳（メタデータ） (2020-04-04T16:51:56Z)

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。