emotion recognition
PulseAugur coverage of emotion recognition — every cluster mentioning emotion recognition across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
多模态大语言模型通过BraVista框架学会解码脑信号
研究人员开发了BraVista，一个利用多模态大语言模型（LLMs）从脑电图（EEG）解码脑信号的新型框架。该方法将EEG数据编码成结构化图像，使通用领域的视觉-语言模型能够在没有大量EEG特定预训练的情况下执行多任务学习。BraVista在睡眠分期、情绪识别、认知负荷分类和异常EEG检测等任务中表现出色，显示了其在统一EEG解码方面的潜力。
-
新框架增强LLM处理和理解语音的能力
两篇新的研究论文提出了一种将语音处理与大型语言模型（LLM）集成的新颖框架。DirectSpeech2LLM旨在通过在冻结的LLM嵌入上使用CTC损失来缓解语音-LLM中的提示过拟合，从而实现对语音翻译等未见任务的泛化。DuplexJev提供了一种通过将ASR编码器状态馈送到冻结的LLM来实现实时、批量语音决策的方法，使其能够‘听到’超越文本记录的内容，并在口语问答和情感识别等任务中取得高精度。
-
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。
-
新的自监督图学习提高了情绪识别的准确性
研究人员开发了一种新颖的自监督图表示学习方法，用于使用可穿戴设备和智能手机数据进行情绪识别。该方法解决了野外环境中标记数据有限和受试者间差异大的挑战。通过采用图掩码增强任务和多任务归纳图神经网络架构，该模型在预测情绪唤醒度和效价方面取得了显著的准确性提升，同时大大减少了标记数据的需求。
-
新研究探测文本编码器中的心理学情绪线索
一项新研究调查了十二种近期文本编码器的情感能力，评估了它们生成的嵌入如何捕捉心理学情绪理论。研究人员使用了三种情绪框架下的词级和句子级数据的回归和分类任务。研究结果表明，最新的指令感知型开放权重编码器在词级上包含的情感信息与专有模型相当甚至更多。然而，在句子级情感分类方面，经过任务微调和专有编码器取得了更高的分数。
-
新方法通过微状态和分阶段语义推进脑电图视觉解码
研究人员正在开发新的方法来解码脑电图（EEG）信号中的视觉信息，旨在改进脑机接口。一种名为“思维原子”（Atoms of Thought）的方法，将微状态作为大脑活动的离散构建块，以创建通用的脑电图表示，在睡眠分期和情绪识别等任务上优于传统方法。另一种方法STAMBRIDGE采用了一个包含频谱-时间调制和语义桥接的两阶段框架，以实现脑电图视觉解码的稳定跨模态对齐，展示了强大的零样本检索性能。第三篇论文提出了一种受神经科学启发的、分阶段…