ADSEL: 불완전 다차원 감정 레이블을 통한 EEG 특징 선택을 위한 적응형 이중 자기표현 학습
ADSEL: Adaptive Dual Self-Expression Learning for EEG Feature Selection via Incomplete Multi-Dimensional Emotion Labels
한국어 초록
EEG 기반 다차원 감정 인식은 감성 컴puting 분야에서 상당한 연구 관심을 받아 왔다. 그러나 EEG 특징의 고차원성과 제한된 표본 크기는 분류기 과적합과 높은 계산 복잡도를 자주 초래한다. 특징 선택은 이러한 문제를 완화하는 핵심 전략이다. 그러나 기존 EEG 특징 선택 방법의 대부분은 완전한 다차원 감정 레이블을 가정한다. 실제로 개방형 획득 환경과 감정 지각의 내재적 주관성으로 인해 레이블 데이터가 불완전해지는 경우가 많으며, 이는 모델 일반화를 저해할 수 있다. 또한 불완전 다차원 레이블을 다루는 기존 특징 선택 방법은 레이블 복원 과정에서 여러 차원 간 상관관계에 주로 초점을 두며, 레이블 공간에서 표본 간 상관관계와 이들이 여러 차원과 맺는 상호작용은 간과한다. 이러한 문제를 해결하기 위해, 본 연구는 Adaptive Dual Self-Expression Learning(ADSEL)과 최소자승 회귀를 통합한 새로운 불완전 다차원 감정 특징 선택 프레임워크를 제안한다. ADSEL은 레이블 공간 내 표본 수준과 차원 수준 자기표현 학습 과정 사이에 양방향 경로를 구축할 수 있으며, 두 과정 간 학습 정보의 교차 공유를 가능하게 하여 레이블 재구성을 위해 표본과 차원 모두에서 유효 정보를 동시에 활용할 수 있다. 이에 따라 ADSEL은 레이블 복원 정확도를 높이고 다차원 감정 인식을 위한 최적 EEG 특징 부분집합을 효과적으로 식별할 수 있다. ADSEL은 다차원 감정 레이블을 갖는 세 공개 EEG 데이터셋에서 14개 최신 특징 선택 방법과 비교 평가되었다. 실험 결과 ADSEL이 부분적 레이블 결측 조건에서 우수한 성능을 달성할 수 있음을 보여준다.
원문 초록
EEG based multi-dimension emotion recognition has attracted substantial research interest in affective computing. However, the high dimensionality of EEG features, coupled with limited sample sizes, frequently leads to classifier overfitting and high computational complexity. Feature selection constitutes a critical strategy for mitigating these challenges. However, most existing EEG feature selection methods assume complete multi-dimensional emotion labels. In practice, open acquisition environment and the inherent subjectivity of emotion perception often result in incomplete label data, which can compromise model generalization. Additionally, existing feature selection methods for handling incomplete multi-dimensional labels primarily focus on correlations among various dimensions during label recovery, neglecting the correlation between samples in the label space and their interaction with various dimensions. To address these issues, we propose a novel incomplete multi-dimensional emotion feature selection framework integrating Adaptive Dual Self-Expression Learning (ADSEL) with least squares regression. ADSEL could establish a bidirectional pathway between sample-level and dimension-level self-expression learning processes within the label space. It could facilitate the cross-sharing of learned information between these processes, enabling the simultaneous exploitation of effective information across both samples and dimensions for label reconstruction. Consequently, ADSEL could enhance label recovery accuracy and effectively identifies the optimal EEG feature subset for multi-dimensional emotion recognition. ADSEL was evaluated against fourteen state-of-the-art feature selection methods on three public EEG datasets with multi-dimensional emotion labels. Experimental results demonstrate that ADSEL could achieve superior performance under conditions of partial label absence.
제출 이력
확인된 버전만 표시합니다. 전체 제출 이력은 arXiv 원문에서 확인하세요.
- arXiv:2508.05229v2제출 시각 미확인
함께 살펴볼 논문
공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.
EEG-fNIRS 기반 피험자 간 연속 정동 회귀를 위한 공유 및 개별 구조 모델링
Modeling Shared and Individual Structure for Cross-Subject Continuous Affect Regression from EEG-fNIRS
생체 신호로부터 매초 연속적인 쾌락도-각성도(valence-arousal)를 추정하는 연구는 일반적으로 평가 대상과 동일한 사람의 라벨링된 데이터를 모델이 확인하는 피험자 의존적(subject-dependent) 환경에서 주로 수행됩니다. 본 연구에서는 동기화된 EEG-fNIRS 데이터셋을 바탕으로 더 까다로운 제로샷(zero-shot) 피험자 간 변형 문제를 다룹니다. 즉, 학습 피험자 집합과 분리된 상태에서 동일한 비디오 자극을 시청하는 동안 기록된 라벨 없는 EEG/fNIRS 신호만을 바탕으로, 모델이 라벨을 전혀 관찰하지 못한 피험자의 원시 스케일([1, 255]) 쾌락도 및 각성도 궤적을 예측합니다. 본 연구는 정동 궤적을 동일한 자극을 시청한 피험자 간에 공유되는 구조와, 라벨이 필요 없는 EEG 마커(알파 대역 채널 간 동기화)로부터 각 테스트 피험자별로 추정되어 척도 중간값을 기준으로 공유 궤적의 크기를 재조정(rescaling)하는 개별 구조로 분해합니다. 저자들은 네 가지 독립적인 축을 통해 피험자별 캘리브레이션 메커니즘을 검증합니다: 마커와 각 피험자의 실제 최적 게인 간의 LOSO(leave-one-subject-out) 상관관계, 비선형 대안과의 함수 형태 비교, 파이프라인의 각 구성 요소 기여도를 분리하는 반복 leave-4-out 컴포넌트 절제 연구(ablation), 피험자별 스케일링의 남은 개선 여지를 제한하는 한계(ceiling) 분석입니다. 홀드아웃 피험자에 대해 모델은 두 평가 배치에 걸쳐 전체 MAE 25.96 / 22.80(쾌락도 21.94 / 19.6, 각성도 29.98 / 26.0)을 달성하여, 동일한 피험자 독립 분할에서 보고된 EEGNet 및 ASAC-Net 베이스라인(원시 스케일 점수 각각 60.6 및 55.0)보다 훨씬 낮은 오차를 보였습니다. 나아가 모델 아키텍처, 특징 표현 및 예측 타깃 전반에 걸친 체계적인 부정적 결과 탐색을 보고하며, 단일 알파 동기화 마커보다 성능을 개선할 수 있는 신호를 발견하지 못했음을 밝힙니다.
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.
Brain-Token Learning: 장기 EEG 시퀀스 모델링을 위한 미세상태 기반 토큰화 및 다중 스케일 상호작용
Brain-Token Learning: Microstate-Based Tokenization and Multi-Scale Interaction for Long-Horizon EEG Sequence Modeling
뇌전도(EEG)는 동적인 뇌 활동을 파악할 수 있는 비침습적 창을 제공하지만, 장기(long-horizon) EEG 시퀀스를 모델링하는 것은 높은 시간적 복잡도, 피험자 간의 상당한 변동성, 생물학적으로 유의미한 시퀀스 표현의 부재로 인해 여전히 어려운 과제로 남아 있습니다. 고정 윈도우 및 패치 기반 표현과 같은 기존의 토큰화(tokenization) 전략은 인위적인 시간적 경계에 따라 EEG 신호를 이산화하므로, 본질적인 뇌 상태 역학을 훼손할 수 있습니다. 본 연구에서는 장기 EEG 시퀀스 모델링을 위해 뇌 토큰화(Brain Tokenization)를 도입한 신경과학 기반 프레임워크인 Brain-Token Learning을 제안합니다. Brain Tokenization은 EEG 신호를 사전 정의된 시간 세그먼트로 분할하는 대신, 반복되는 미세상태(microstate)에서 파생된 뇌 토큰(token)의 시퀀스로 표현하며, 각 토큰은 가변적인 시간적 지속 기간을 갖는 준안정적(quasi-stable) 대규모 뇌 상태에 대응합니다. 이러한 생물학적 근거를 둔 토큰을 기반으로, 저자들은 전역적 뇌 상태 문맥과 국소적 미세상태 전이를 공동으로 포착하기 위해 잠재 상태 집약(Latent State Aggregation) 및 상태 전이 모델링(State Transition Modeling)으로 구성된 다중 스케일 토큰 상호작용 모듈을 추가로 개발합니다. 저자들은 새로 수집된 장기 NeuroLong 데이터셋(dataset)과 4개의 정서적 또는 임상적 EEG 데이터셋(SEED, DEAP, MDD, NSSI)을 포함한 5개의 이종 EEG 데이터셋에서 Brain-Token을 평가(evaluation)합니다. 광범위한 실험을 통해 Brain-Token이 다양한 EEG 시나리오 전반에서 기존의 CNN/LSTM 아키텍처, 트랜스포머(Transformer) 기반 모델, 도메인 적응 기법들을 일관되게 능가함을 입증합니다. 추가 분석을 통해 강건하고 해석 가능한 EEG 표현을 학습(training)하는 데 있어 미세상태 기반 토큰화 및 다중 스케일 상호작용의 효과를 검증합니다. 이러한 결과는 Brain-Token이 장기 EEG 시퀀스 모델링을 위한 생물학적 근거를 갖춘 토큰화 패러다임임을 확립합니다.
심리학적 기반 레이블 구조를 활용한 EEG 기반 감정 인식을 위한 그래프 정규화 심층 학습
Graph-Regularized Deep Learning for EEG-Based Emotion Recognition with Psychologically-Grounded Label Structure
EEG 기반 감정 인식은 정신 건강 모니터링 및 감성 뇌-컴퓨터 인터페이스(BCI)에 있어 매우 중요하지만, 기존 심층 학습(deep learning) 접근법은 감정 클래스를 독립된 레이블로 취급하여 심리적 상호 의존성을 무시하는 경우가 많다. 본 논문에서는 감정을 그래프의 노드로 개념화하고, 에지(edge)가 차원적 감정 이론에 기반한 근접성을 인코딩하는 그래프 정규화(graph-regularized) 학습 프레임워크를 제안한다. 우리는 계산 복잡도 증가 순으로 세 가지 상호 보완적인 정규화(regularization) 전략을 적용한다: 그래프 레이블 스무딩(Graph Label Smoothing, 직관적 소프트 레이블링), 그래프 라플라시안을 통한 그래프 상의 교환 거리(Commuting distance on graph via Graph Laplacian, 스펙트럴 그래프 이론), 슬라이스드 와서스타인 거리(Sliced Wasserstein Distance, 그래프 상의 최적 수송). 이 전략들은 확립된 감정 위상 구조에서 벗어난 모델(model) 예측에 패널티를 부과한다. 제안된 프레임워크는 세 가지 대표적인 백본 아키텍처, 즉 AudioTransformer(순수 트랜스포머(transformer)), Conformer(CNN-트랜스포머 하이브리드), DCGNN(인과 그래프 신경망(causal graph neural network))에 걸쳐 평가되어 아키텍처에 독립적인 이점을 입증한다. SEED-IV(4개 클래스) 및 SEED-V(5개 클래스) 데이터셋에서의 실험 결과 일관된 성능 향상이 나타났으며, 최선의 경우 정확도 최대 +5.42% 향상 및 심리적으로 타당하지 않은 오분류 39% 감소를 달성하였다. 궁극적으로, 본 프레임워크는 표준 접근법으로 달성 가능한 성능의 상한선을 높이는 데 기여한다. 코드는 추후 공개될 예정이다.
정신병리 차원 예측을 위한 세분성 인식 EEG 특징 프레임워크
A Granularity-Aware EEG Feature Framework for Psychopathology Dimension Prediction
뇌전도(EEG)는 차원적 정신병리의 신경생리학적 상관관계를 비침습적으로 검사하는 방법을 제공하지만, EEG 패러다임과 특징 세분성에 걸친 체계적인 근거는 아직 제한적이다. 본 연구에서는 다중 스케일 기술자를 전역, 지역, 채널 수준으로 체계화하는 세분성 인식 EEG 특징 파이프라인을 개발한다. Healthy Brain Network(HBN) 코호트를 사용하여, 네 가지 EEG 패러다임에 걸쳐 p-요인, 내재화, 외재화, 주의력 문제의 네 가지 정신병리 차원 예측을 평가한다. 소아 정신병리의 이질성과 설문지 기반 점수의 보통 수준의 신뢰도를 고려할 때, 이 환경은 임상 선별 시나리오가 아닌 도전적인 타당성 검증을 나타낸다. 트리 기반 모델과 세분성 균형 특징 선택은 선택된 조건에서 기존 접근법 대비 유망한 개선을 보였으나, 효과 크기는 완만한 수준에 머물렀다. 선택된 마커의 시각화를 통해 기존 신경생리학적 지식과 대체로 일치하는 차원별 공간 및 스펙트럼 패턴이 드러났다. 독립적인 PEARL 코호트에 대한 탐색적 교차-데이터셋 건전성 검증은 교차-데이터셋 일반화 가능성을 주장하지 않으면서도, 프로토콜 변화 하에서 제안된 선택 원칙이 기술적으로 실현 가능하다는 점을 시사하였다. 전반적으로, 다중 스케일 EEG 특징은 차원적 정신병리와 관련된 약하지만 감지 가능한 신호를 포함하고 있으며, 세분성 인식 선택은 향후 EEG 기반 표현형 분석 연구를 위한 유용한 특징 축소 전략으로 활용될 수 있다.
교차 데이터셋 EEG 기반 감정 인식을 위한 마스크 생성-대조 표현 학습
Masked Generative-Contrastive Representation Learning for Cross-Dataset EEG-Based Emotion Recognition
자기지도 학습(SSL)은 특징 표현과 일반화를 개선함으로써 교차 데이터셋 전이에 강한 잠재력을 보인다. 그러나 EEG 기반 감정 인식에 대한 적용은 아직 대부분 미탐구 영역으로 남아 있다. 기존 SSL 방법들은 다양한 채널 구성 하에서 EEG 신호의 복잡한 시공간적 의존성을 포착하고, 노이즈에 강인한 세밀한 표현을 추출하며, 피험자 간 잘 일반화되는 전역 특징을 도출하는 데 어려움을 겪는다. 이러한 과제를 해결하기 위해, 우리는 EEG 기반 감정 인식을 위해 특별히 설계된 새로운 SSL 프레임워크인 마스크 생성-대조 표현 학습(MGCRL)을 제안한다. 영역 인식 시공간 인코더를 기반으로 구축된 MGCRL은 생성 학습과 대조 학습을 통합하여 교차 데이터셋 일반화를 위한 세밀한 표현과 전역 판별 표현을 모두 달성한다. MGCRL은 세 가지 핵심 설계를 도입한다: 1) 지역화된 공간적·기능적 관계를 포착하기 위해 영역 기반 그래프 합성곱을 통합한 시공간 인코더로, 영역별 특징 학습을 강화하고 데이터셋 간 다양한 EEG 채널 구성의 영향을 완화한다; 2) 마스크된 특징을 활용하여 노이즈 강인성이 있는 세밀한 표현을 포착하는 결합 임베딩 예측 아키텍처(JEPA) 기반 생성 학습 메커니즘으로, 미묘한 감정 상태를 특성화하는 모델의 역량을 향상시킨다; 3) 동일한 자극에 걸쳐 시간적으로 안정적이고 피험자 간 불변적인 표현을 학습하기 위해 마스크된 특징과 원본 특징을 활용하는 대조 학습 전략으로, 감정 판별과 피험자 간 일반화를 향상시킨다. 이러한 설계들 하에서 MGCRL은 보편적 표현을 학습하는 뛰어난 능력을 보인다. 대규모 FACED 데이터셋에서 사전학습하고 다수의 SEED-시리즈 데이터셋에서 미세조정하는 광범위한 실험이 MGCRL의 효과성을 입증한다.
토론
이 논문과 연결된 포럼 글이 아직 없습니다.