Jan, 2024

通过学习时空模式进行双人脑电信号中的人际关系分析

PDF
TL;DR通过本研究中提出的使用基于双人脑电图信号的时空模式的社会关系分析框架，可以定量测量公司团队建设中的团队合作，并评估心理治疗中治疗师和患者之间的人际动态。实验结果表明，可以通过脑电图数据有效地识别两个个体之间的社会关系类型（陌生人或朋友）。
发现论文，激发创造
  • 利用时空特征从 EEG 信号进行跨主体情感识别

    通过使用 EEG 信号和 CNN 层，本文提出了一种易于实现的情感识别模型，使用 DENS 数据集进行评估，并在情感极性评分上达到 73.04％的准确性。

    May, 2023

  • 时延多特征相关性分析从 EEG 信号中提取微小依赖

    该论文提出了一种自动分解和提取脑电信号的方案，将信号的统计依赖作为多项式建模，并使用 PCA 降维找到显著的依赖方向，从而获取描述分离统计依赖的滞后相关特征，此方法提取了更复杂的行为并有助于理解皮层的潜在动力学，诊断癫痫等病症，确定精确的电极位置或构建脑机接口。

    Apr, 2023

  • 通过融合时频和空间表示改善基于 EEG 的情感识别

    该研究结合多个表示，使用多领域关注机制和跨领域特征融合方法构建了脑电情感识别网络，实验证明该网络优于其他现有方法，并实现了最新技术水平。

    Mar, 2023

  • 一种具有图平滑信号的混合时空注意力神经网络用于 EEG 情绪识别

    我们引入了一个深度神经网络用于情感分类，通过混合的时空编码和循环注意网络块获取可解释的生理学表示，并应用图信号处理工具对原始数据进行预处理以在空间域中进行图平滑。我们证明了我们的架构在公开可用的 DEAP 数据集上超过了最先进的情感分类结果，并通过转移学习的方式在 DREAMER 和情感英语词（EEWD）数据集上提高了情感分类准确性。

    Jul, 2023

  • 情感识别的时空循环神经网络

    本研究提出一种名为 STRNN 的深度学习框架来将人类情感信息的两种不同信号源进行学习，以便对情绪进行永久跟踪和分析，并在公共情感数据集上取得更具竞争力的结果。

    May, 2017

  • 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

  • 功能图对比学习揭示了基于刻板印象的压力因素引发的情绪传染

    通过情感传染的研究并结合脑电图扫描技术，该论文揭示了情感传染与认知功能之间复杂的相互作用，特别关注女性对协作解决问题时的刻板印象压力条件下的影响。

    Aug, 2023

  • 基于图注意力机制的 EEG 情感识别中的局部时空模式学习

    研究提出了一种基于局部时空模式学习图注意力网络 (LTS-GAT) 的情感识别技术，通过图注意力机制检测 EEG 模式的局部信息，添加动态域鉴别器来提高算法鲁棒性，在个体依赖和独立的情况下验证了算法的有效性，并采用可视化方法研究了大脑不同区域和情感之间的关系以及情感稀疏性问题。

    Aug, 2022

  • 语言和脑电图之间的跨领域对齐的实证探索

    本研究介绍了 MTAM（MultimodalTransformer Alignment Model）方法，通过引入规范化关系和 Wasserstein 距离等算法，实现了将语言和电生理信号转换为高级联合表示，提高了情感分析和关系检测精度，从而研究两者在表征层面的关系。

    Aug, 2022

  • 从面部表情识别到人际关系预测

    本研究旨在研究是否可以从生活场景中的人脸图像中对人际关系进行细分和高水平特征的表征和量化，并提出了一种采用深度网络架构来识别面部表情的方法，以预测人际关系，并展示出了良好的实验结果。

    Sep, 2016