PyTorchKR Papers

최신 논문

총 4편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2607.14393v3cs.RO

로봇 행동을 위한 fNIRS 기반 오프라인 강화학습 접근법

An offline approach to fNIRS-guided reinforcement learning for robot behavior

Human-in-the-loop Reinforcement Learning has become a popular approach for training, finetuning, and aligning robot behavior with user preferences. Our paper explores the feasibility of using brain signals via functional near-infrared spectroscopy (fNIRS) to modulate robot learning in simulation. We compare agents trained on passive (observational) versus active (demonstrative) interaction tasks, and test multiple methods for enhancing the RL algorithm with the neural signal, focusing on parameter augmentation in contrast to replacement. We further examine how model granularity and noise affect agent learning. Our results show that this framework is effective. The neural signal improves learning when augmenting trajectory priorities and state-action q-targets. Additionally, the framework learns successfully from offline data, offering a practical alternative for settings where real-time BCI setups are impractical or only limited data is available.

arXiv:2610.03618v1cs.AI

친숙한 비디오에서의 EEG-fNIRS 감정 회귀를 위한 강력한 기준선으로서의 저비용 비디오-시간 사전확률

Low-Cost Video--Time Priors as a Strong Baseline for EEG--fNIRS Emotion Regression on Familiar Videos

연속 감정 회귀(continuous emotion regression)는 시청자가 비디오를 시청하는 동안 순간순간의 긍정-부정 차원(valence) 및 각성(arousal)을 추정합니다. 친숙한 비디오 배포 환경에서, 학습(training) 참여자별 추정치로부터의 응답을 활용하며, 사전확률(prior)이 지배적인 고정 융합은 생리적 신호가 잔차 보정을 추가하는지 여부를 검증합니다. 24명 대상의 5-겹 피험자 분리 평가(five-fold subject-held-out evaluation)에서 내부 및 외부 평가 기준 각각 융합 대비 0.05 및 0.32 MAE 이내였습니다. 출처 명시적 제거 연구(ablation) 결과, 비디오 식별 정보와 비디오 내 시간이 오차 감소의 대부분을 설명한 반면, EEG-fNIRS를 통한 이득은 더 작았으며 참여자 및 비디오 전반에 걸쳐 편차를 보였습니다. 이러한 결과는 비디오-시간 사전확률을 강력하고 비용이 적게 드는 기준선(baseline)으로 규명하며, EEG-fNIRS를 친숙한 비디오 감정 회귀를 위한 선택적 잔차 신호로 자리매김하게 합니다.

arXiv:2607.19716v1cs.CV

이질적 3D 모달리티를 활용한 통증 인식을 위한 통합 토큰화 프레임워크

A Unified Tokenization Framework for Pain Recognition using Heterogeneous 3D Modalities

통증은 인구의 상당 부분에 영향을 미치는 복잡하고 광범위한 현상이며, 정확한 평가는 효과적인 임상 관리와 개입에 필수적이다. 계산 기반 통증 인식 시스템은 지속적인 모니터링을 가능하게 하고, 임상 의사결정을 지원하며, 통증 관련 고통과 기능 저하를 완화하는 데 도움이 된다. 본 연구는 통증 인식에서 이질적 3D 모달리티를 위한 통합 토큰화 프레임워크를 제안하며, 이는 각 모달리티별 별도 아키텍처나 수작업 유도 편향(handcrafted inductive biases) 없이 행동 및 뇌 활동 3D 데이터 전반에 단일 처리 파이프라인을 제공한다. 이 프레임워크는 다양한 입력을 공유 토큰 공간으로 매핑하면서 공간적, 시간적, 시간-주파수 구조를 보존한다. 광범위한 실험 결과, 제안 방법은 원시 신호 및 스펙트로그램 기반 표현 모두에서 얼굴 영상과 fNIRS 데이터를 효과적으로 처리함을 보여준다. AI4Pain 벤치마크 데이터셋에서 제안 프레임워크는 높은 계산 효율성을 유지하면서 GPU 및 CPU 하드웨어 모두에서 실시간 평가를 가능하게 하며 최첨단(state-of-the-art) 성능을 달성한다.

arXiv:2606.11555v1q-bio.NC

EEG 및 fNIRS를 통한 우울 상태 분류를 위한 엔드투엔드 머신러닝

End-to-End Machine Learning for Depressive State Classification via EEG and fNIRS

사회적 스트레스 증가로 인한 정신 건강 관리 수요의 급증은 전통적인 정신과적 진단의 한계를 부각합니다. 임상 면담과 환자 자가 보고에 주로 의존하는 기존 방식은 본질적으로 주관적 바이어스와 진료자의 상이한 경험적 판단에 취약합니다. 정량적 평가의 필요성을 해결하기 위해, 뇌파(EEG) 및 기능적 근적외선 분광법(fNIRS)을 포함한 생체 신호 기반 탐지가 유망한 객관적 대안으로 부상했습니다. 이러한 기술은 대상자 스스로 인식하지 못할 수 있는 잠재적 우울 상태를 식별하는 데 특히 중요합니다. 더불어 고령화 인구의 경우 우울증과 치매 간의 높은 동반 유병률로 인해, 증상의 상호 악화를 방지하고 삶의 질(QoL)을 유지하기 위해 조기 감별이 필요합니다. 11명의 건강한 학생을 대상으로 한 이 파일럿 연구는 생체 신호 기반 우울증 탐지를 위한 프레임워크를 수립하며, 임상 사용을 위한 자동화되고 객관적인 진단 도구로 나아가는 기초 단계를 제공합니다.