論文の概要: Robust EEG-based Emotion Recognition from Coarse Trial-level Labels under Intra-trial Affective Variability

• arxiv url: http://arxiv.org/abs/2611.01731v1
• Date: Sun, 01 Nov 2026 09:26:14 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-11-03 19:24:34.129647
• Title: Robust EEG-based Emotion Recognition from Coarse Trial-level Labels under Intra-trial Affective Variability
• Title（参考訳）: 心房内影響変動下における粗大な実験レベルラベルからのロバスト脳波による感情認識
• Abstract要約: 粗い試行レベルのラベルから脳波に基づく感情認識のための変数認識学習フレームワークであるVaryを提案する。 Varyは、2段階のサンプル選択(TSS)戦略を採用して、信頼できる感情ラベルを持つEEGウィンドウを特定し、限定的で信頼性の低い監視下でモデルロバスト性を改善するために、EEGに適したデータ拡張方法であるMixAugを紹介している。 DREAMERデータセットでは11.54%,SEEDデータセットでは5.39%の精度向上を達成した。
• 参考スコア（独自算出の注目度）: 5.068102856140973
• License:
• Abstract: EEG-based emotion recognition has become an active research area in brain-computer interfaces. However, fine-grained affective annotation is costly, so most datasets provide only a global label for each long EEG trial. For practical emotion recognition, trials are commonly divided into short temporal windows, with the global label propagated to all windows for training. This practice treats trial-level emotion as temporally uniform, although affective responses may fluctuate within a trial. Consequently, windows that weakly reflect or deviate from the global emotional state may receive unreliable labels, posing a key challenge to robust EEG-based emotion recognition. To address this challenge, we propose VARY, a variability-aware robust learning framework for EEG-based emotion recognition from coarse trial-level labels. VARY incorporates a Two-stage Sample Selection (TSS) strategy to identify EEG windows with reliable emotional labels, and introduces MixAug, a data augmentation method tailored for EEG to improve model robustness under limited and unreliable supervision. We comprehensively evaluate VARY under the setting of label-noise learning on two public datasets, using three network architectures and multiple label-noise settings. Our method demonstrates superior performance, achieving a maximum accuracy gain of 11.54% on the DREAMER dataset and 5.39% on the SEED dataset compared with the best-performing baseline, highlighting the effectiveness of VARY in learning from unreliable trial-level labels under intra-trial affective variability.
• Abstract（参考訳）: 脳波に基づく感情認識は、脳-コンピュータインタフェースにおける活発な研究領域となっている。 しかし、きめ細かい感情アノテーションはコストがかかるため、ほとんどのデータセットは、長いEEGトライアルごとにグローバルラベルのみを提供する。 現実的な感情認識のために、トライアルは一般に短い時間窓に分割され、グローバルラベルは訓練のためにすべての窓に伝播する。 この習慣は、試行レベルの感情を時間的に均一なものとして扱うが、感情的な反応は試行中に変動することがある。 その結果、世界的感情状態から弱い反射または逸脱する窓は信頼できないラベルを受け取っており、脳波に基づく感情認識にとって重要な課題となっている。 この課題に対処するために、我々は、粗い試行レベルのラベルから脳波に基づく感情認識のための可変性を考慮した頑健な学習フレームワークであるVaryを提案する。 Varyは、2段階のサンプル選択(TSS)戦略を採用して、信頼できる感情ラベルを持つEEGウィンドウを特定し、限定的で信頼性の低い監視下でモデルロバスト性を改善するために、EEGに適したデータ拡張方法であるMixAugを紹介している。 3つのネットワークアーキテクチャと複数のラベルノイズ設定を用いて、Varyを2つの公開データセット上でラベルノイズ学習の設定で包括的に評価する。 本手法は,DREAMERデータセットで11.54%,SEEDデータセットで5.39%の精度向上が得られた。

関連論文リスト

• 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)
• EMOD: A Unified EEG Emotion Representation Framework Leveraging V-A Guided Contrastive Learning [25.25694431911273]
  本稿では,Valence-Arousal(V-A)ガイドによるコントラスト学習を活用した統一脳波感情表現フレームワークEMODを提案する。 我々は、離散的かつ連続的な感情ラベルを統一されたV-A空間に投影し、軟弱な教師付きコントラスト損失を定式化し、潜在空間内のクラスタに感情的に類似したサンプルを奨励する。 EMODは、様々な脳波に基づく感情認識シナリオにまたがって、強い適応性と一般化を示す、最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2025-11-08T05:37:16Z)
• Smile upon the Face but Sadness in the Eyes: Emotion Recognition based on Facial Expressions and Eye Behaviors [63.194053817609024]
  視覚行動は、視覚行動支援型マルチモーダル感情認識データセットを作成するための重要な感情的手がかりとなる。 EMERデータセットに感情認識(ER)と表情認識(FER)の両方のアノテーションを初めて提供する。 具体的には、ERとFERの両方のパフォーマンスを同時に向上する新しいEMERTアーキテクチャを設計する。
  論文  参考訳（メタデータ） (2024-11-08T04:53:55Z)
• DGSD: Dynamical Graph Self-Distillation for EEG-Based Auditory Spatial Attention Detection [49.196182908826565]
  AAD(Auditory Attention Detection)は、マルチスピーカー環境で脳信号からターゲット話者を検出することを目的としている。 現在のアプローチは主に、画像のようなユークリッドデータを処理するために設計された従来の畳み込みニューラルネットワークに依存している。 本稿では、入力として音声刺激を必要としないAADのための動的グラフ自己蒸留(DGSD)手法を提案する。
  論文  参考訳（メタデータ） (2023-09-07T13:43:46Z)
• EEGMatch: Learning with Incomplete Labels for Semi-Supervised EEG-based Cross-Subject Emotion Recognition [7.1695247553867345]
  ラベル付き脳波データとラベルなし脳波データの両方を活用する新しい半教師付き学習フレームワーク(EEGMatch)を提案する。 2つのベンチマークデータベース(SEEDとSEED-IV)で大規模な実験を行う。
  論文  参考訳（メタデータ） (2023-03-27T12:02:33Z)
• Partial Label Learning for Emotion Recognition from EEG [26.221627835249667]
  我々は2つの大きな感情データセット上で、脳波からの感情認識のための6つの最先端アプローチを適応し、再実装する。 以上の結果から,脳波による感情計算の手法は,完全教師付き学習に匹敵する性能を達成できることが示唆された。
  論文  参考訳（メタデータ） (2023-02-25T21:36:39Z)
• Multimodal Emotion Recognition using Transfer Learning from Speaker Recognition and BERT-based models [53.31917090073727]
  本稿では,音声とテキストのモダリティから,伝達学習モデルと微調整モデルとを融合したニューラルネットワークによる感情認識フレームワークを提案する。 本稿では,対話型感情的モーションキャプチャー・データセットにおけるマルチモーダル・アプローチの有効性を評価する。
  論文  参考訳（メタデータ） (2022-02-16T00:23:42Z)
• A Novel Transferability Attention Neural Network Model for EEG Emotion Recognition [51.203579838210885]
  脳波感情認識のための伝達型注目ニューラルネットワーク(TANN)を提案する。 TANNは、伝達可能な脳波領域のデータとサンプルを適応的に強調することにより、感情的な識別情報を学習する。 これは、複数の脳領域レベル判別器と1つのサンプルレベル判別器の出力を測定することで実現できる。
  論文  参考訳（メタデータ） (2020-09-21T02:42:30Z)

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。