論文の概要: Beyond Modeling Order: Dual-Path Spatiotemporal Representation Learning for Cross-Subject EEG Emotion Recognition

• arxiv url: http://arxiv.org/abs/2610.35540v1
• Date: Mon, 26 Oct 2026 14:53:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 22:27:14.037971
• Title: Beyond Modeling Order: Dual-Path Spatiotemporal Representation Learning for Cross-Subject EEG Emotion Recognition
• Title（参考訳）: モデリング順序を超えた2パス時空間表現学習によるクロスオブジェクト脳波感情認識
• Abstract要約: クロスオブジェクト-EEG感情認識は、脳波に基づく感情認識において大きな課題である。 本稿では,脳波の感情認識のための2段階の時間的コントラスト学習フレームワークを提案する。 DP-STCLは比較手法を一貫して上回り,クロスオブジェクト-EEG感情認識の改善に有効であることを示す。
• 参考スコア（独自算出の注目度）: 29.445815093460833
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Cross-subject generalization remains a major challenge for EEG-based emotion recognition due to pronounced inter-subject variability in neural activity and emotion-related spatiotemporal patterns. Existing methods mainly alleviate inter subject differences through distribution alignment or contrastive learning, while paying limited attention to representation bias associated with fixed spatiotemporal modeling orders. We hypothesize that high-level emotion representations of the same EEG signal should remain consistent across different spatiotemporal modeling paths. Based on this hypothesis, we propose a Dual-Path Spatiotemporal Contrastive Learning (DP-STCL) framework for cross-subject EEG emotion recognition. DP-STCL employs two complementary encoders with independent parameters, namely a Temporal-to-Spatial (TS) path and a Spatial to-Temporal (ST) path, to model EEG spatiotemporal information under different integration orders. During representation learning, the same emotional stimulus is used to establish cross subject associations, while three complementary relations jointly constrain representation variations across subjects and modeling paths. This promotes stable and discriminative stimulus-related emotion representations. To further handle limited labeled target subject data, we introduce a LoRA-based few-shot adaptation strategy with low parameter overhead. Extensive cross-subject experiments on SEED, SEED-IV, SEED-V, and FACED show that DP-STCL consistently outperforms the compared methods, demonstrating its effectiveness in improving cross-subject EEG emotion recognition.
• Abstract（参考訳）: クロスオブジェクトの一般化は、脳波に基づく感情認識において、神経活動と感情に関連する時空間パターンにおける物体間変動が顕著であることによる大きな課題である。 既存の手法では, 時間的時間的時間的変動に関連付けられた表現バイアスに限定的に注意を払って, 分散アライメントやコントラスト学習を通じて, 被験者間の差異を緩和する。 我々は、同じ脳波信号の高レベル感情表現は、異なる時空間モデリングパス間で一貫性を保つべきであると仮定する。 この仮説に基づいて,脳波の感情認識をクロスサブジェクトするためのDP-STCL(Dual-Path Spatiotemporal Contrastive Learning)フレームワークを提案する。 DP-STCLは、独立したパラメータを持つ2つの補完的エンコーダ、すなわち、時間-空間(TS)パスと時空間(ST)パスを使用して、異なる統合順序の下でEEG時空間情報をモデル化する。 表現学習では、同じ感情刺激が、対象間の関係を確立するのに用いられ、3つの相補的な関係は、対象とモデル化パス間の表現のバリエーションを協調的に制限する。 これにより、安定的で差別的な刺激関連感情表現が促進される。 ラベル付き対象データに制限を課すために,パラメータのオーバーヘッドが低いLoRAベースの少数ショット適応方式を導入する。 SEED、SEED-IV、SEED-V、FACEDの大規模なクロスオブジェクト実験により、DP-STCLは比較手法よりも一貫して優れており、クロスオブジェクトのEEG感情認識を改善する効果が示された。

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)
• E^2-LLM: Bridging Neural Signals and Interpretable Affective Analysis [54.763420895859035]
  脳波からの感情分析のための最初のMLLMフレームワークであるELLM2-EEG-to-Emotion Large Language Modelを提案する。 ELLMは学習可能なプロジェクション層を通じて、トレーニング済みのEEGエンコーダとQベースのLLMを統合し、マルチステージのトレーニングパイプラインを使用する。 7つの感情カテゴリーにまたがるデータセット実験により, ELLM2-EEG-to-Emotion Large Language Modelは感情分類において優れた性能を発揮することが示された。
  論文  参考訳（メタデータ） (2026-01-11T13:21:20Z)
• FACE: Few-shot Adapter with Cross-view Fusion for Cross-subject EEG Emotion Recognition [57.08108545219043]
  クロスオブジェクト脳波の感情認識は、重要なオブジェクト間変動と複雑に絡み合ったオブジェクト内変動によって困難である。 最近の数発の学習パラダイムは、これらの制限に対処しようと試みているが、しばしば限られたサンプルを用いて主題固有の適応を行う際に破滅的な過度なオーバーフィッティングに遭遇する。 本稿では,脳波の感情認識のためのFACEと呼ばれるクロスビュー融合方式のマイクロショットアダプタについて紹介する。
  論文  参考訳（メタデータ） (2025-03-24T03:16:52Z)
• EEG-SCMM: Soft Contrastive Masked Modeling for Cross-Corpus EEG-Based Emotion Recognition [0.862468061241377]
  クロスコーパス脳波に基づく感情認識の課題を解決するために,ソフトコントラスト・マスクド・モデリング(SCMM)と呼ばれる新しいフレームワークを提案する。 SCMMは、ソフトコントラスト学習とハイブリッドマスキング戦略を統合し、感情力学を効果的に捉える。 実験では、SCMMは、同じクラスと異なるクラスのクロスコーパス設定の両方で平均4.26%の精度を達成する。
  論文  参考訳（メタデータ） (2024-08-17T12:35:13Z)
• Two in One Go: Single-stage Emotion Recognition with Decoupled Subject-context Transformer [78.35816158511523]
  単段階の感情認識手法として,DSCT(Decoupled Subject-Context Transformer)を用いる。 広範に使われている文脈認識型感情認識データセットであるCAER-SとEMOTICの単段階フレームワークの評価を行った。
  論文  参考訳（メタデータ） (2024-04-26T07:30:32Z)
• Locally temporal-spatial pattern learning with graph attention mechanism for EEG-based emotion recognition [4.331986787747648]
  感情認識技術により、コンピュータは人間の感情状態を個別のカテゴリーに分類することができる。 感情は短時間でも安定した状態を維持する代わりに変動することがある。 また,3次元トポロジー構造のため,脳波空間分布のフル活用も困難である。
  論文  参考訳（メタデータ） (2022-08-19T12:15:10Z)
• Group Gated Fusion on Attention-based Bidirectional Alignment for Multimodal Emotion Recognition [63.07844685982738]
  本稿では、LSTM隠蔽状態上の注目に基づく双方向アライメントネットワークで構成されるGBAN(Gated Bidirectional Alignment Network)と呼ばれる新しいモデルを提案する。 LSTMの最後の隠れ状態よりもアテンション整列表現の方が有意に優れていたことを実証的に示す。 提案したGBANモデルは、IEMOCAPデータセットにおける既存の最先端マルチモーダルアプローチよりも優れている。
  論文  参考訳（メタデータ） (2022-01-17T09:46:59Z)
• 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)

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。