文献

J-GLOBAL ID：201902218691041154   整理番号：19A0517262

人間の脳EEGセンサからの感情認識のための最適特徴選択と深層学習アンサンブル法【JST・京大機械翻訳】

Optimal Feature Selection and Deep Learning Ensembles Method for Emotion Recognition From Human Brain EEG Sensors

著者 (3件)： Majid Mehmood Raja (Division of Computer Science and Engineering, Chonbuk National University, Jeonju, South Korea) ,  Du Ruoyu (College of Geographic and Biologic Information, Nanjing University of Posts and Telecommunications, Nanjing, China) ,  Lee Hyo Jong (Division of Computer Science and Engineering, Chonbuk National University, Jeonju, South Korea)
資料名： IEEE Access  (IEEE Access)
巻： 5  ページ： 14797-14806  発行年： 2017年 
JST資料番号： W2422A  ISSN： 2169-3536  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 人間-コンピュータ相互作用研究における最近の進歩により,神経精神疾患または障害を有する患者に対する脳-コンピュータインタフェースシステムを介した感情コミュニケーションの可能性が生じた。本論文では,人間の脳内のニューロンの電気的活動を非侵襲的に測定し,認識のためのこれらの特徴の最適な組み合わせを選択するEEGセンサから生成される脳波(EEG)信号の特徴を分析することにより,感情状態を効率的に認識する。本論文では,21名の健常被験者(12~14歳)の頭皮EEGデータを14チャネルEEGマシンを用いて記録し,被験者は4種類の感情刺激(幸い,cal,sa,またはsc)を有する画像を観察した。前処理の後,Hjorthパラメータ(活性,移動度,および複雑さ)を用いて,時系列データの信号活性を測定した。異なる周波数範囲に対するHjorthパラメータを計算した後に,平衡一方向ANOVAを用いて最適EEG特徴を選択した。この統計的方法によって選択された特徴は,単変量および多変量特徴を上回った。最適な特徴は,サポートベクトルマシン,k-最近傍,線形判別分析,Naive Bayes,ランダムフォレスト,深い学習,および4つのアンサンブル法(袋掛け,ブースティング,スタッキング,投票)を用いて,感情分類のためにさらに処理した。結果は,提案した方法が,一般的に使用されるスペクトルパワーバンド法に関して,感情認識率を大幅に改善することを示した。Copyright 2019 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： *特徴選択 ,  相互作用 ,  サポートベクトルマシン ,  コンピュータ ,  分散分析 ,  コミュニケーション ,  パラメータ ,  *センサ ,  投票 ,  画像 ,  ニューロン ,  脳波
準シソーラス用語： ブースティング ,  被験者 ,  *感情認識 , 【Automatic Indexing@JST】

分類 (2件)： パターン認識  (JE07000S) ,  音声処理  (JE05000E)

タイトルに関連する用語 (7件)： 人間 ,  脳 ,  EEG ,  感情認識 ,  特徴選択 ,  深層学習 ,  アンサンブル法