論文の概要: CNN-based classifier for subject-independent MBTI Extraversion/Introversion preference classification from short-time EEG signals

• arxiv url: http://arxiv.org/abs/2610.28442v1
• Date: Tue, 20 Oct 2026 16:02:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-21 21:58:47.912361
• Title: CNN-based classifier for subject-independent MBTI Extraversion/Introversion preference classification from short-time EEG signals
• Title（参考訳）: 短時間脳波信号を用いた主観非依存MBTI外転/内転選好分類のためのCNNに基づく分類法
• Abstract要約: 本研究は, 短時間, 最小限の事前処理された脳波セグメントが, 内向的・内向的に分類された個人を識別するのに十分な情報を含むか否かを検討する。 被験者50名の脳波記録を4-sセグメントに分割し, 被検者に依存しない5-foldクロスバリデーション法を用いて解析した。 SSCNetは最高平均精度 (0.6481)、AUC (0.7063)、F1スコア (0.6276) を達成した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This study examines whether short, minimally preprocessed EEG segments contain sufficient information to distinguish between individuals classified as extraverted or introverted according to the Myers--Briggs Type Indicator (MBTI). EEG recordings from 50 participants were divided into 4-s segments and analyzed using a subject-independent nested 5-fold cross-validation procedure to compare EEGNet, EEGProgress, and a newly proposed compact convolutional architecture, SSCNet. SSCNet achieved the highest mean accuracy (0.6481), AUC (0.7063), and F1-score (0.6276). The proposed architecture also showed the lowest variability across folds. SSCNet demonstrated the best computational efficiency, with the shortest median training epoch time and the highest training throughput despite having a similar number of trainable parameters to EEGProgress. The results suggest that MBTI Extraversion--Introversion preferences may be moderately predictable from short time-domain EEG segments without manual spectral feature extraction, while highlighting the importance of subject-independent validation and computationally efficient model design.
• Abstract（参考訳）: 本研究は,Mers-Briggs Type Indicator (MBTI) によって外向的または内向的に分類された個人を識別するために,脳波の短期的,最小限の脳波セグメントが十分な情報を含んでいるかを検討する。 EEGNet, EEGProgress, および新たに提案されたコンパクト畳み込みアーキテクチャ, SSCNetと比較するために, 50人の参加者の脳波記録を4-sセグメントに分割し, 対象非依存のネスト5倍のクロスバリデーション法を用いて解析した。 SSCNetは最高平均精度 (0.6481)、AUC (0.7063)、F1スコア (0.6276) を達成した。 提案したアーキテクチャは、折り畳み幅が低いことも示している。 SSCNetは、EEGProgressに類似したトレーニング可能なパラメータ数があるにもかかわらず、最短の中央値トレーニングエポック時間と最高トレーニングスループットの計算効率を示した。 MBTI外転-内転の選好は、手動スペクトルの特徴抽出なしで短時間の脳波セグメントから適度に予測可能であり、対象非依存の検証と計算効率の良いモデル設計の重要性を強調した。

関連論文リスト

• Generative Augmentation for EEG Motor Imagery Classification: A Class-Conditional VAE with Cycle-Consistent Decoder Refinement [2.3270574907955286]
  生成モデルが有用な人工運動画像(MI)の脳波検査(EEG)に有効かどうかを検討する。 本研究は,Zhouモータ画像データセットに潜在型分類器を組み込んだクラス条件変分オートエンコーダ(CVAE)を訓練する。 結果は、独立した拡張ドロー、ランダムな種(ユーザ内)、あるいはout-one-subject-out フォルダに集約される。
  論文  参考訳（メタデータ） (2026-07-22T12:16:16Z)
• A comparative and critical study of EEGNet for fNIRS-driven cognitive load classification [13.599505214902058]
  機能近赤外分光(fNIRS)信号から正確な認知負荷の分類は依然として重要な課題である。 本研究は、fNIRSに基づく認知負荷分類のためのEEGNetを包括的に評価する。
  論文  参考訳（メタデータ） (2026-06-15T03:20:14Z)
• 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)
• Boosted Training of Lightweight Early Exits for Optimizing CNN Image Classification Inference [47.027290803102666]
  我々は、分岐学習と推論時データ分布を整合させるシーケンシャルなトレーニング手法を導入する。 ResNet18バックボーンによるCINIC-10データセットの実験では、BTS-EEが非ブートトレーニングを一貫して上回っていることが示されている。 これらの結果は,産業検査,組込みビジョン,UAVに基づく監視などの応用において,実用的効率の向上をもたらす。
  論文  参考訳（メタデータ） (2025-09-10T06:47:49Z)
• xEEGNet: Towards Explainable AI in EEG Dementia Classification [0.0]
  xEEGNetは、EEGデータ分析のための、新しくてコンパクトで説明可能なニューラルネットワークである。 完全に解釈可能で、大きなパラメータ還元によって過度に適合する。 xEEGNetはスペクトル変化を含む他の神経学的条件に広く適用されている。
  論文  参考訳（メタデータ） (2025-04-30T09:24:50Z)
• Minimally Supervised Learning using Topological Projections in Self-Organizing Maps [55.31182147885694]
  自己組織化マップ(SOM)におけるトポロジカルプロジェクションに基づく半教師付き学習手法を提案する。 提案手法は,まずラベル付きデータ上でSOMを訓練し,最小限のラベル付きデータポイントをキーベストマッチングユニット(BMU)に割り当てる。 提案した最小教師付きモデルが従来の回帰手法を大幅に上回ることを示す。
  論文  参考訳（メタデータ） (2024-01-12T22:51:48Z)
• Pretraining Without Attention [114.99187017618408]
  本研究では、状態空間モデル(SSM)に基づくシーケンスルーティングの最近の進歩を利用して、注意を払わずに事前学習を探索する。 BiGS は GLUE 上で BERT の事前トレーニング精度と一致し、近似なしで 4096 トークンの長期事前トレーニングに拡張できる。
  論文  参考訳（メタデータ） (2022-12-20T18:50:08Z)
• EEG-Inception: An Accurate and Robust End-to-End Neural Network for EEG-based Motor Imagery Classification [123.93460670568554]
  本稿では,脳波に基づく運動画像(MI)分類のための新しい畳み込みニューラルネットワーク(CNN)アーキテクチャを提案する。 提案したCNNモデル、すなわちEEG-Inceptionは、Inception-Timeネットワークのバックボーン上に構築されている。 提案するネットワークは、生のEEG信号を入力とし、複雑なEEG信号前処理を必要としないため、エンドツーエンドの分類である。
  論文  参考訳（メタデータ） (2021-01-24T19:03:10Z)
• A Computationally Efficient Multiclass Time-Frequency Common Spatial Pattern Analysis on EEG Motor Imagery [164.93739293097605]
  共通空間パターン(CSP)は脳波(EEG)運動画像(MI)の一般的な特徴抽出法である 本研究では,従来のCSPアルゴリズムを改良し,マルチクラスMI分類精度を改善し,計算処理の効率化を図る。
  論文  参考訳（メタデータ） (2020-08-25T18:23:50Z)

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。