文献

J-GLOBAL ID：202102224370501814   整理番号：21A0280202

EEGベース感情認識のための多特徴入力深森【JST・京大機械翻訳】

Multi-Feature Input Deep Forest for EEG-Based Emotion Recognition

著者 (5件)： Fang Yinfeng (School of Communication Engineering, Hangzhou Dianzi University, Hangzhou, China) ,  Yang Haiyang (School of Communication Engineering, Hangzhou Dianzi University, Hangzhou, China) ,  Zhang Xuguang (School of Communication Engineering, Hangzhou Dianzi University, Hangzhou, China) ,  Liu Han (College of Computer Science and Software Engineering, Shenzhen University, Shenzhen, China) ,  Tao Bo (State Key Lab of Digital Manufacturing Equipment & Technology, School of Mechanical Science and Engineering, Huazhong University of Science & Technology, Wuhan, China)
資料名： Frontiers in Neurorobotics (Web)  (Frontiers in Neurorobotics (Web))
巻： 14  ページ： 617531  発行年： 2020年 
JST資料番号： U7086A  ISSN： 1662-5218  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： スイス (CHE)  言語： 英語 (EN)

抄録/ポイント： 人間-コンピュータインタラクションの急速な発展のために,感情コンピューティングは近年ますます多くの注目を集めている。感情認識において,脳波(EEG)信号は他の生理学的実験より記録しやすく,容易にカモフラージュされない。EEGデータの高次元性と人間の感情の多様性のため,効果的なEEG特徴を抽出し,感情パターンを認識することは難しい。本論文では,人間感情を同定するための多特徴深層森林(MFDF)モデルを提案した。EEG信号を最初にいくつかのEEG周波数帯に分割し,次に,特徴として各周波数帯とオリジナル信号からパワースペクトル密度(PSD)と微分エントロピー(DE)を抽出した。5クラス感情モデルを用いて,5つの感情をマークした。入力として元の特徴または次元縮小特徴のいずれかで,深い森林を構築し,5つの感情を分類した。これらの実験は,生理学的信号(DEAP)を用いた感情分析のための公開データセット上で行った。実験結果を,K最近傍(KNN),ランダムフォレスト(RF),およびサポートベクトルマシン(SVM)を含む従来の分類器と比較した。MFDFは71.05%の平均認識精度を達成し,それはRF,KNN,およびSVMよりそれぞれ3.40%,8.54%,および19.53%高い。そのうえ,次元縮小と生EEG信号後の特徴の入力による精度は,それぞれ51.30と26.71%である。本研究の結果は,この方法がEEGベースの感情分類タスクに有効に寄与することを示した。Copyright 2021 The Author(s) All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： エントロピー ,  脳波 ,  微分 ,  高次元 ,  深層 ,  次元縮小 ,  パワースペクトル密度 ,  *周波数帯 ,  サポートベクトルマシン
準シソーラス用語： *感情認識 ,  擬装 ,  認識精度 ,  ランダムフォレスト ,  感情分類 ,  脳波信号 , 【Automatic Indexing@JST】

著者キーワード (5件)： 脳波(EEG) ,  機械学習 ,  特徴選択と選択 ,  深い森林 ,  感情-情報

分類 (2件)： 生体計測  (EL03020C) ,  パターン認識  (JE07000S)

引用文献 (41件)：

• AftanasL.VarlamovA.PavlovS.MakhnevV.RevaN. (2001). Affective picture processing: event-related synchronization within individually defined human theta band is modulated by valence dimension. Neurosci. Lett. 303, 115-118. doi: 10.1016/S0304-3940(01)01703-711311506
• BalconiM.LucchiariC. (2008). Consciousness and arousal effects on emotional face processing as revealed by brain oscillations. A gamma band analysis. Int. J. Psychophysiol. 67, 41-46. doi: 10.1016/j.ijpsycho.2007.10.00217997495
• BalconiM.MazzaG. (2009). Brain oscillations and BIS/BAS (behavioral inhibition/activation system) effects on processing masked emotional cues: ERS/ERD and coherence measures of alpha band. Int. J. Psychophysiol. 74, 158-165. doi: 10.1016/j.ijpsycho.2009.08.00619709636
• BreimanL. (2001). Random forests. Mach. Learn. 45, 5-32. doi: 10.1023/A:1010933404324
• CaoX.LiR.GeY.WuB.JiaoL. (2019a). Densely connected deep random forest for hyperspectral imagery classification. Int. J. Rem. Sens. 40, 3606-3622. doi: 10.1080/01431161.2018.1547932

タイトルに関連する用語 (2件)： EEG ,  感情認識