Aug, 2023

基于生理信号的无监督情感识别的深度聚类

PDF
TL;DR情绪在人脑的认知过程中扮演重要角色，本研究提出了一种基于生理和心理数据的无监督深度聚类框架用于情绪识别。通过对 WESAD 数据集的测试，深度 k 均值和深度 c 均值在 Russell 情感模型的四个象限上具有 87% 的总体准确率，并通过主观评估结果初始化聚类，避免了需要标签的问题。
emotionscognitive processesemotion recognitionunsupervised methodsdeep cluster framework
发现论文，激发创造
  • 基于生理信号的情感识别调查

    本文回顾了生理信号在情感识别中的作用，讨论了影响情感识别的数据方差、数据标注技术、数据预处理技术、数据拆分技术和多模态信息融合技术以及未来的发展方向。

    May, 2022

  • 基于自监督学习的基于心电图的情感识别

    使用自我监督学习的心电图基于情感识别系统在分类唤醒度和价值评分方面表现出色，并且使用未标记的数据帮助该模型学习心电图特征流形。

    Oct, 2019

  • 基于机器学习和神经网络的 EEG 信号情绪分析

    本研究通过使用 SVM，KNN 和 RNN (LSTM) 等算法，对 DEAP 数据集中的 EEG 信号进行分类和测试，以探究如何使用脑信号来改进情绪识别的性能，并进一步研究情绪随时间变化的规律。

    Jul, 2023

  • 愤怒或上楼？走向野外生理情绪识别

    本研究探索了一种新的情感识别方法，通过选择适用于生理干扰的特征和机器学习模型来提高情感识别的精确性，研究结果表明这种方法能够在非受干扰的情况下实现高达 73.35％的情感分类准确度，可以消除单一体力活动对情感识别的影响。

    Nov, 2018

  • 自监督的心电图表征学习用于情感识别

    本研究通过自监督深度多任务学习框架，利用信号变换识别网络学习心电图 (ECG) 表示，进而进行基于 ECG 的情感识别，结果显示该方案在情感分类领域取得显著表现，并针对自监督的多任务结构与预训练任务难度的影响进行了深入研究。

    Feb, 2020

  • 超复模态脑电和周边生理信号的情绪识别

    通过在超复数域中进行操作，该论文提出了一个带有新型融合模块的超复数多模态网络，实现了从生理信号中的分类情感识别，超越了多模态最先进的网络。

    Oct, 2023

  • 从活动识别的角度进行情绪识别

    通过探索深度学习体系结构在持续情感识别方面的应用，我们提出了一种新颖的三流端到端深度学习回归流程，其中包含一个注意力机制，该机制是基于多个最先进的动作识别系统的子模块的一种组合设计。定量分析表明，所提出的模型优于情感识别和动作识别模型的多个标准基线。

    Mar, 2024

  • 利用神经网络进行医疗监控系统的情绪识别：一项调查

    通过深度学习技术识别患者的情绪，可以在智能医疗中心建立起能够检测抑郁症和压力的机制，进而早期对患者进行干预。本文对情绪识别领域的最新研究进行了系统总结，并关注了从语音、面部表情和音视频输入中识别情绪的不同技术，并将这些算法部署于真实环境中，构成了一种适用于医疗中心的监控系统。在论文最后，我们总结了相关挑战和未来工作，以提供使用情绪识别技术的应用展望。

    Jul, 2021

  • 无监督表示在语音情感识别中改善有监督学习

    该研究提出了一种创新的方法，通过将自我监督特征提取与监督分类相结合，从较小的音频片段中识别情感，提高了人机交互的情感理解能力。

    Sep, 2023

  • 个性化和泛化方法在使用消费级可穿戴设备进行情绪识别方面的比较：机器学习研究

    我们研究了使用可穿戴生物信号数据进行三类情绪分类（中性、压力和娱乐）的个性化和普遍化机器学习模型之间的差异，并发现个性化模型在特定情境下表现优于普遍化模型。

    Aug, 2023