Using prefrontal cortex near-infrared spectroscopy and autonomic nervous system activity for identifying music-induced emotions
Notice bibliographique
Résumé
Physiological-based emotion identification systems may offer an alternative means of expressing emotions, particularly, for adults and youth with severe motor disabilities who may have little or no voluntary muscle control. The current study investigated inclusion of autonomic nervous system activity in combination with central nervous system activity in the form of a multi-modal emotion identification system. Prefrontal cortex hemodynamics were monitored using near infrared spectroscopy, and autonomic nervous system activity (ANS) was concurrently monitored using heart rate, skin temperature and electrodermal activity sensors, in a music-based emotion induction paradigm. Classifiers were trained using ANS or prefrontal hemodynamic features, in addition to dynamic modeling-based features. A combination of classifier decisions was applied for solving arousal (intense vs. neutral) and valence (positive vs. negative) classification problems. The classification accuracies of the ensemble varied substantially across participants (54.4%–85.1% for the arousal differentiation and 48.4%–76.8% for the valence differentiation). These results suggest the importance of individual specific detection algorithms in physiological-based emotion identification efforts. In addition, combining features from the autonomic and central nervous system resulted in a degradation of classification accuracies (68.3% in arousal and 58.5% in valence differentiation) compared to when prefrontal hemodynamic features were used exclusively (71.9% for both arousal and valence differentiation).
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».