DEAP
PulseAugur coverage of DEAP — every cluster mentioning DEAP across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新模型通过不确定性量化增强情感识别能力
研究人员开发了一种具有证据融合的多模态 Transformer (EMT-DS)，以提高情感识别的准确性，特别是在处理冲突的传感器数据时。该新模型通过区分证据不足和传感器噪声来量化不确定性，并使用 Dempster 组合规则来处理矛盾的输入。EMT-DS 在包括 IEMOCAP、DEAP、KEMDy20 和 CMU-MOSEI 在内的多个基准测试中表现出色，同时还显示出对噪声和模态缺失的鲁棒性。
-
新研究利用先进网络和预训练方法解决脑电图情感识别问题
两篇新研究论文探讨了基于脑电图（EEG）的情感识别的先进技术，以应对受试者间变异性的挑战。第一篇论文介绍了组共振网络（GRN），该网络结合了使用可学习原型和同步性度量的个体脑电图动态与群体共振建模。第二篇论文提出了一种名为“万能模型”（One Model for All）的通用预训练框架，旨在通过将学习分解为单变量预训练和多变量微调阶段，来稳定和改进跨异构数据集的模型。这两种方法都旨在提高情感识别模型的泛化能力和性能。
-
新的CONFER框架通过协商冲突数据改进多模态情感识别
研究人员开发了CONFER，一个新颖的框架，旨在通过解决自我报告标签的不可靠性和不同数据模态之间的冲突来改进多模态情感识别。这种基于图的方法在模态专家之间协商证据，估计它们的预测信念、不确定性和运行时可靠性。CONFER将样本分为共识、异议和模糊政权，用于弱标签校准，在严格的留一法交叉验证协议下，在AMIGOS-V上的准确率为0.873，在MAHNOB-V上的准确率为0.854，表现具有竞争力。该框架有效地利用了跨模态冲突信息进行协调…
-
新研究探索用于基于脑电图的情感识别的先进人工智能 · 2篇论文
两篇新研究论文探索了从脑电图（EEG）数据中识别情感的先进技术。第一篇论文介绍了一个多尺度时间框架，该框架跨越不同的时间窗口处理脑电图信号，并动态融合它们，以提高情感分类的准确性，包括混合状态。第二篇论文提出了一种使用多粒度流形对比学习和神经常微分方程的方法，以解决个体间差异问题，并在黎曼流形上对连续情感动态进行建模，在多个公共数据集上取得了最先进的结果。
-
BioKD框架使用生理信号增强基于视频的情感识别
研究人员开发了BioKD，一个新颖的情感识别框架，它使用生理信号来训练基于视频的模型。这种方法解决了仅视频情感识别的局限性以及使用生理数据的实际挑战。BioKD采用一种可靠性感知门控机制来管理嘈杂的生理监督，确保稳定的跨模态蒸馏并抑制负迁移。在DEAP和AMIGOS数据集上的实验表明，BioKD在效价和唤醒度识别方面表现优越，尤其是在受试者无关的设置下。
-
新的无监督方法在无源数据的情况下推进了EEG情绪识别
研究人员开发了一种新颖的无监督无源域适应方法，用于脑电图（EEG）情绪识别。这种方法称为双损失自适应正则化（DLAR）结合局部一致性学习（LCL），允许模型在无需访问原始源数据的情况下适应新数据集，解决了隐私和计算问题。在DEAP、SEED和DREAMER等基准数据集上的实验表明，准确性显著提高，优于现有的最先进方法，并有望在心理健康和脑机接口等实际应用中发挥作用。
-
新的深度学习模型通过提高准确性和可解释性来增强基于脑电图的情感识别
研究人员正在开发用于基于脑电图的情感识别的先进深度学习模型，旨在提高准确性和可解释性。一种方法使用图正则化来捕捉情感类别之间的心理相互依赖性，在 SEED-IV 和 SEED-V 等数据集上显示出更高的准确性。另一种方法 MS-iMamba 利用多尺度倒置 Mamba 模型从脑电图信号中捕捉复杂的时空特征，在 DEAP、DREAMER 和 SEED 数据集上实现了高精度。第三个框架引入了面部表情代理建模，将脑电图信号转换为面部表情，从…
-
新的PRISM框架通过通道优先化增强脑电图情感识别
研究人员开发了一个名为PRISM的新框架，以提高从脑电图（EEG）数据解码情感的准确性。PRISM通过为通道分配权重来放大重要通道并抑制噪声，从而解决了冗余的脑信号通道和个体之间显著差异等挑战。它还利用未标记数据来提高一致性并对齐域，从而减少了特定于主体的差异。实验表明，PRISM在多个数据集上的表现优于现有方法，在标记数据有限的情况下有效实现了跨主体情感识别。
-
新框架融合面部和生理信号以提升情感识别能力
研究人员开发了一个新的视频情感识别框架，该框架将面部表情与远程光电容积脉搏图（rPPG）的生理信号相结合。他们的方法使用提示调优将rPPG信息整合到Vision Transformer中，同时保留预训练的面部表征。此外，还采用了解耦适配器来分离主体共享和主体特异性组件，从而增强了跨不同个体的泛化能力。