TFA-Net: A Temporal-Frequency-Adversarial Network with Few-Shot Calibration for Robust ECG-Based Emotion Recognition
Notice bibliographique
Résumé
Emotion recognition based on physiological signals plays a critical role in advancing human-machine interaction, particularly in intelligent transportation and affective computing. However, existing deep learning models often struggle to generalize across subjects, limiting their practical deployment. To address this challenge, we propose a Temporal-Frequency-Adversarial Network (TFA-Net), a novel few-shot calibration framework that mitigates subject dependency in ECG-based emotion recognition. The framework integrates contextual representations from the Electrocardiogram (ECG) foundation model (ECG-FM) with spectral features derived via short-time Fourier transform (STFT). These multi-view representations are fused through a Nested Mixture of Experts (NMoE) module and refined using a learnable Fractional Fourier Transform (FrFT)-based attention pooling mechanism, which dynamically emphasizes salient temporal-frequency patterns. A Dual-Phase Adversarial Learning (DPAL) scheme further disentangles emotion-relevant and subject-specific components using gradient reversal. Evaluated on the driving dataset manD 1.0 and two benchmark datasets, DREAMER and WESAD, the proposed TFA-Net achieves 3-7% accuracy improvements over state-of-the-art methods under few-shot crosssubject protocols, demonstrating its potential for robust deployment in ITS and mental health monitoring applications.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 ».