arXiv:2404.15373

Robust EEG-based Emotion Recognition Using an Inception and Two-sided Perturbation Model

Shadi Sartipi, Mujdat Cetin

제출 2024-04-21

원문 초록

Automated emotion recognition using electroencephalogram (EEG) signals has gained substantial attention. Although deep learning approaches exhibit strong performance, they often suffer from vulnerabilities to various perturbations, like environmental noise and adversarial attacks. In this paper, we propose an Inception feature generator and two-sided perturbation (INC-TSP) approach to enhance emotion recognition in brain-computer interfaces. INC-TSP integrates the Inception module for EEG data analysis and employs two-sided perturbation (TSP) as a defensive mechanism against input perturbations. TSP introduces worst-case perturbations to the model's weights and inputs, reinforcing the model's elasticity against adversarial attacks. The proposed approach addresses the challenge of maintaining accurate emotion recognition in the presence of input uncertainties. We validate INC-TSP in a subject-independent three-class emotion recognition scenario, demonstrating robust performance.

함께 살펴볼 논문

공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.

arXiv:2610.10571v2cs.LG공통 태그 EEG, Electroencephalogram (EEG)

SPERA: 기하학 및 주파수 인식 잠재 예측을 적용한 구면 사전분포 기반 뇌파 파운데이션 모델

SPERA: Spherical Prior EEG Foundation Model with Geometry- and Frequency-Aware Latent Prediction

뇌전도(EEG)는 진행 중인 신경 활동을 비침습적으로 측정하지만, 피험자, 장치, 전극 배치의 이질성 때문에 범용 EEG 모델을 구축하는 일은 여전히 어렵다. 기존 EEG 파운데이션 모델은 신경 성분과 비신경 성분을 모두 포함하는 관측 신호에 정의된 복원 기반 목적 함수에 주로 의존한다. 본 연구는 잠재 공간에서 예측하기 위해 결합 임베딩 예측 아키텍처(JEPA)를 채택한 EEG 파운데이션 모델인 구면 사전 분포 EEG 표현 아키텍처(Spherical Prior EEG Representation Architecture, SPERA)를 소개한다. SPERA는 다양한 두피 전극 기하 구조를 인코딩하기 위해 어텐션에 통합된 르장드르 다항식 공간 사전 분포를 도입한다. 모델을 EEG에 맞추는 두 가지 추가 구성요소로, 주기적인 전체 어텐션 블록과 교차 배치된 시간·공간 분해 어텐션, 그리고 잠재 유사도 구조를 스펙트럼 뷰와 정렬하는 관계형 스펙트럼 정규화기가 있다. 106개 데이터셋, 29,048명의 피험자로부터 얻은 약 80,000시간의 EEG로 사전 학습한 SPERA는 임상, 인지, BCI 응용에 걸친 9개 다운스트림 과제에서 가장 높은 평균 균형 정확도를 달성한다. 또한 SPERA는 선형 프로빙에서 강한 파라미터 효율성을, 다양한 녹화 조건에서 강건성을 보여, 다양한 EEG 분석을 위한 범용 백본으로서의 잠재력을 시사한다.

arXiv:2610.13918v1cs.NE공통 태그 EEG, Electroencephalogram (EEG)

DyssomniaNN: 인간 수면 장애 및 인지된 피로 회복도에 대한 다중 스케일 스파이킹 신경 모델링

DyssomniaNN: Multi-Scale Spiking Neural Modeling of Human Sleep Disorders and Perceived Restedness

임상 수면 의학에서는 객관적인 수면 시간과 주관적인 주간 기능 장애 사이의 심각한 불일치가 반복적으로 보고되며, 이는 역설적 불면증의 수면 상태 오인과 제1형 기면증의 경계 불안정성에서 두드러지게 나타납니다. 본 논문에서는 수면 항상성과 일주기성 추동(circadian drive)에 대한 Borbély의 2과정 조절 모델, Saper의 시상하부 상호 플립플롭 회로, 그리고 순환 피질시상 누적-발화(LIF, leaky integrate-and-fire) 스파이킹 신경망(neural network)을 결합한 다중 스케일 생물물리학적 계산 프레임워크인 DyssomniaNN을 제시합니다. 연구진은 동일한 72시간 광주기 하에서 건강한 대조군, 일주기 리듬 수면-각성 장애(지연 위상형), 만성 불면증, 역설적 불면증, 제1형 기면증 등 5개 임상 코호트를 공식화합니다. 합성 국소 장전위(local field potential)는 모든 표준 주파수 대역에서 PhysioNet Sleep-EDF 데이터베이스의 실제 인간 뇌파(EEG) 스펙트럼과 밀접하게 일치합니다(스펙트럼 평균 절대 오차 0.33--0.35). 나아가 회복 효능을 정량화하기 위해 휴식 지수(Well-Rested Index)를 도입합니다. 시뮬레이션 결과 수면 시간은 피로 회복을 예측하지 못하는 것으로 나타났습니다. 역설적 불면증은 정상적인 총 수면 시간(21.15시간)을 보이지만 억제되지 않은 피질 베타 대역의 침투로 인해 낮은 회복률(37.6%)을 보였으며, 반면 기면증의 히포크레틴 결핍은 심각한 야간 분절(수면 개시 후 각성 시간 781분)과 35회의 입면 시 렘수면(SOREMP)을 초래합니다. DyssomniaNN은 기전적 수면 연구 및 가상 신경약리학을 위한 인 실리코(in silico) 플랫폼을 제공합니다.

arXiv:2605.01238v2cs.HC공통 태그 Emotion Recognition, EEG

EduGage: 자기주도형 비디오 학습 환경에서 센서 기반 순간 몰입도 평가를 위한 멀티모달 데이터셋 및 벤치마크

EduGage: A Multimodal Dataset and Benchmark for Sensor-Based Momentary Assessment of Engagement in Self-Guided Video Learning

주의 집중, 정서적, 인지적 차원과 연결되는 몰입도(engagement)는 학습에서 중요한 역할을 합니다. 온라인 및 비디오 기반 학습 환경에서 학습자는 교수 자료와의 상호작용을 스스로 조절해야 하는 경우가 많습니다. 따라서 몰입도를 측정하고 성찰하는 것은 학습자와 적응형 학습 시스템 모두를 지원할 수 있습니다. 본 연구에서는 웨어러블 및 카메라 기반 감지 장치를 사용하여 PPG, ECG, EDA, EEG, IMU, 심박수, 체온, 시선 추적 데이터를 포함한 생체 및 모션 신호를 수집하여 학습자의 몰입도를 추정합니다. 비디오 기반 학습 시나리오에서 16명의 참가자를 대상으로 사용자 연구를 수행하였으며, 참가자들은 학습 과제를 완료하고 직전 1분 동안 주의를 집중하기 얼마나 어려웠는지를 보고하는 1-5점 척도의 현장 몰입도 프로브(engagement-probe) 평가를 반복적으로 제공했습니다. 본 연구는 몰입도 추정을 위한 벤치마크를 구축하고, 다양한 감지 모달리티를 비교하며, 학습자 몰입도를 특성화하기 위한 멀티모달 모델링의 타당성과 효과성을 심층 분석합니다. 참가자 기반 교차 검증에서 모달리티 인식 참조 모델은 0.80의 MAE, 83.18%의 오차 1 이내(within-1) 정확도, 70.96%의 이진 정확도, 62.90%의 이진 Macro-F1을 달성하여 센서 미사용, 통계, 딥 시계열, 파운데이션 모델, 대규모 언어 모델(LLM) 기반 베이스라인보다 우수한 성능을 보였습니다. 본 연구 결과는 세밀한(fine-grained) 몰입도 추정이 실현 가능하지만 본질적으로 노이즈가 존재하며, 선호되는 센서 구성은 목표 지표와 실제 감지 부담에 따라 달라진다는 점을 시사합니다. 자기주도 학습에서 세밀한 센서 기반 몰입도 모델링에 대한 재현 가능한 연구를 지원하기 위해 동기화된 멀티모달 센서 신호, 프로브 정렬 몰입도 평가, 비디오 메타데이터, 퀴즈, 학습 자료가 포함된 EduGage 데이터셋을 본 연구의 주요 기여로 공개합니다.

토론

이 논문과 연결된 포럼 글이 아직 없습니다.