論文の概要: MUPA${}^2$S: Multimodal Unified Perception with Asymmetric Attention for Stress Assessment

• arxiv url: http://arxiv.org/abs/2611.01974v1
• Date: Sun, 01 Nov 2026 15:11:22 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-11-03 19:30:41.635392
• Title: MUPA${}^2$S: Multimodal Unified Perception with Asymmetric Attention for Stress Assessment
• Title（参考訳）: MUPA${}^2$S:Multimodal Unified Perception with Asymmetric Attention for Stress Assessment
• Abstract要約: 本稿では,自動ストレスアセスメントのためのマルチモーダルフレームワークMUPA$2$Sを提案する。 顔ビデオとECG信号を統合認識アーキテクチャで組み合わせる。 実験によると、顔画像は69.44%の精度でテストされているが、ECGのみのパフォーマンスは依然として偶然に近い。
• 参考スコア（独自算出の注目度）: 11.572080758023615
• License:
• Abstract: Stress is a leading contributor to long-term physical and mental health decline. The automatic assessment of stress is a promising approach for continuous monitoring and mitigating human biases. However, the development of automated systems remains challenging due to the heterogeneity of physiological and behavioral signals. This paper presents MUPA${}^2$S, a multimodal framework for automatic stress assessment that combines facial video and ECG signals within a unified perception architecture. Both modalities are mapped into a shared token representation without modality-specific components, and processed through asymmetric attention comprising segment-local cross-attention and global self-attention across segment states. Experiments on a newly collected 58-subject stress dataset, evaluated under a stratified subject-level protocol, show that facial video achieves 69.44% test accuracy, while ECG-only performance remains close to chance under the proposed representation. Unified Video-ECG fusion achieves a test accuracy of 69.58% at approximately half the number of parameters of feature-level fusion, with negligible additional computational cost. Feature-level fusion does not exceed the video-only baseline, while unified input-level integration provides a parameter-efficient mechanism for jointly processing the two modalities.
• Abstract（参考訳）: ストレスは、長期の身体的および精神的な健康低下に寄与する。 ストレスの自動評価は、人間のバイアスを継続的に監視し緩和するための有望なアプローチである。 しかし、生理的・行動的な信号の不均一性のため、自動システムの開発は依然として困難である。 本稿では,顔画像とECG信号を統合認識アーキテクチャ内で組み合わせた,自動ストレス評価のためのマルチモーダルフレームワークMUPA${}^2$Sを提案する。 両方のモダリティは、モダリティ固有のコンポーネントを使わずに共有トークン表現にマッピングされ、セグメントローカルなクロスアテンションとセグメント状態全体にわたるグローバルな自己アテンションからなる非対称な注意を通して処理される。 階層化された被写体レベルのプロトコルで評価された58サブオブジェクトのストレスデータセットの実験では、顔画像が69.44%の精度でテストされているのに対し、ECGのみのパフォーマンスは、提案された表現の下では確率に近づいたままである。 統合ビデオ-ECG融合は、機能レベルの融合のパラメータの約半分で69.58%のテスト精度を達成し、追加の計算コストは無視できる。 機能レベルの融合はビデオのみのベースラインを超えないが、統合された入力レベルの統合は2つのモードを共同で処理するためのパラメータ効率のメカニズムを提供する。

関連論文リスト

• EEG-HealthLLM: Hierarchical Adaptation of Large Language Models for Unified Heterogeneous EEG Health Assessment [111.84148837000926]
  既存のEEGモデルは通常、個々のタスクのために開発される。 EEG-HealthLLMは異種脳波の健康評価のための統合されたフレームワークである。 EEG-HealthLLMは平均平衡精度(BAC)が69.58%に達する。
  論文  参考訳（メタデータ） (2026-11-01T07:01:30Z)
• ProCA: Progressive Contrastive Alignment for Robust EEG Visual Decoding [47.35612571473169]
  EEGビジュアルデコーディングは、非侵襲的な神経時系列信号から視覚的セマンティクスを回復することを目的としている。 既存の手法は固定された視覚的あるいはテキスト的アンカーに依存しており、その意味的関係は、試行錯誤、主題、学習段階によって異なる脳波表現と一致している可能性がある。 本稿では,適応型ニューラル・セマンティックアライメントのための統一的でモデルに依存しないフレームワークであるProgressive Contrastive Alignment(ProCA)を提案する。
  論文  参考訳（メタデータ） (2026-09-04T12:48:25Z)
• MUPA$^{2}$E: Multimodal Unified Perception with Asymmetric Attention for Emotion Assessment [4.682152272555128]
  本稿では,顔画像と脳波(EEG)を処理する統合認識フレームワークMUPAtextsuperscript2Eについて述べる。 顔映像は軸折りフレームトークンで表現され、EEGは生のマルチチャネル波形として処理されるか、空間領域に投影される。 試用期間が短くなると30ドル(約3万3000円)で融合し、検証性能が最高、テスト精度が70.07%(約7万7000円)になる。
  論文  参考訳（メタデータ） (2026-08-17T01:26:47Z)
• Dementia Etiology Diagnosis via Collaborative Meta Knowledge Enhancement [81.27196033392559]
  認知症発症診断のための協調的メタ知識向上(COME)フレームワークを提案する。 COMEは、マルチセンタ取得セマンティクス、ソース識別子、モダリティインジケータを異種性を認識した埋め込みとして、スケールアップトレーニングのためにTransformerアーキテクチャに注入する。 本手法は,平均マクロ平均AUCが85.62%,最強ベースラインが4.29ポイント向上し,最先端のドメイン性能を実現する。
  論文  参考訳（メタデータ） (2026-07-24T04:26:47Z)
• Attention-Guided Fusion of 1D and 2D CNNs for Robust ECG-Based Biometric Recognition [0.5980155224868112]
  心電図(ECG)に基づく生体認証は、安全な認証と生存度検出のための有望なソリューションとして浮上している。 既存のほとんどの手法は、一次元(1D)時間信号または2次元(2D)時間周波数表現を独立に処理する、一様深層学習アーキテクチャに依存している。 本稿では,1次元および2次元畳み込みニューラルネットワーク(CNN)をエンドツーエンドアーキテクチャに統合したハイブリッドフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-05-17T22:56:10Z)
• ECG-biometrics-bench: A Unified Framework for Reproducible Benchmarking of ECG Biometrics [0.0]
  心電図(ECG)バイオメトリックスは、ウェアラブルシステムにおいて、持続的で生きた認証のための有望なモダリティとして登場した。 我々は、広く使用されている7つのパブリックECGデータセットの事前処理、セグメンテーション、評価を標準化する、モジュラーで再現可能なベンチマークフレームワークであるECG-biometrics-benchを紹介する。
  論文  参考訳（メタデータ） (2026-05-02T17:31:16Z)
• Delving Aleatoric Uncertainty in Medical Image Segmentation via Vision Foundation Models [56.29123284262618]
  本研究は,視覚基盤モデルの普遍的表現能力を生かして固有データ不確実性を推定することを提案する。 モデルのデコード表現の特徴の多様性を分析し,その特異値エネルギーを定量化し,各クラスに対する意味知覚尺度を定義する。 この基礎に基づいて,本研究は,(1)潜在的にノイズの多いサンプルを排除し,モデル学習品質を向上させるためのアレータリック不確実性認識データフィルタリング機構,(2)意味認識尺度に基づくトレーニング中にクラス固有の損失重みを適応的に調整する動的不確実性認識最適化戦略,およびトレーニング安定性を向上させるラベル認知機構の2つの不確実性駆動型アプリケーション戦略を設計する。
  論文  参考訳（メタデータ） (2026-04-13T03:59:54Z)
• EXGnet: a single-lead explainable-AI guided multiresolution network with train-only quantitative features for trustworthy ECG arrhythmia classification [1.5162243843944596]
  シングルリード信号に適した新しいECG不整脈分類ネットワークであるEXGnetを提案する。 トレーニング中のXAI監督は、そのモデルの注意を臨床的に関連する心電図領域に向ける。 短信号と長期信号の両方を効率的に捉えるために,革新的なマルチレゾリューションブロックを導入する。
  論文  参考訳（メタデータ） (2025-06-14T08:48:44Z)
• Multi-scale Masked Autoencoder for Electrocardiogram Anomaly Detection [5.614826802517409]
  MMAE-ECGはECG信号を非重複セグメントに分割し、各セグメントは学習可能な位置埋め込みを割り当てる。 新しいマルチスケールマスキング戦略とマルチスケールアテンション機構は、異なる位置埋め込みとともに、軽量なトランスフォーマーエンコーダを実現する。
  論文  参考訳（メタデータ） (2025-02-08T08:18:38Z)
• Learning Multiscale Consistency for Self-supervised Electron Microscopy Instance Segmentation [48.267001230607306]
  本稿では,EMボリュームのマルチスケール一貫性を高める事前学習フレームワークを提案する。 当社のアプローチでは,強力なデータ拡張と弱いデータ拡張を統合することで,Siameseネットワークアーキテクチャを活用している。 効果的にボクセルと機能の一貫性をキャプチャし、EM分析のための転送可能な表現を学習する。
  論文  参考訳（メタデータ） (2023-08-19T05:49:13Z)

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。