Graph-Enhanced Low-Resource ECG Representation Learning for Emotion Recognition Based on Wearable Internet of Things
Notice bibliographique
Résumé
Internet of Things (IoT) devices like wearable devices have enabled quick monitoring of electrocardiogram (ECG) signals with lower resources than multielectrode ECG devices, opening up development opportunities for sustainable ECG-based emotion recognition. However, existing methods that rely on predesigned features extracted from single-lead ECG signals cannot automatically extract effective features from the original ECG signal collected by IoT devices. To address this limitation, we propose a novel approach leveraging signal transformation and graph representation learning for ECG-based emotion recognition. The signal graph learning process can be divided into local subgraph learning for ECG representation learning and signal enhancement graph to derive the graph-enhanced representation. We employ a designed loss function by calculating cosine similarity to extract an effective representation of the original signal from the transformed signal in the local subgraph learning. Additionally, we utilize a graph convolution model based on the signal enhancement graph to obtain a graph-enhanced representation of the ECG signal. The method incorporates six signal transformations and constructs a self-signal transformation graph. For emotion recognition, we design a classification network comprising convolutional neural networks (CNNs) and long short-term memory (LSTM) networks. Experiments on public data sets show the superiority of our method among other baselines. Ablation studies are conducted to verify the performance.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 tête enseignante, 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 ».