Evaluating Cultural Impact on Subject-Independent EEG-Based Emotion Recognition Across French, German, and Chinese Datasets
Notice bibliographique
Résumé
Culture influences emotional expression and recognition, affecting how individuals perceive and regulate emotions. Given this effect of cultural background, previous studies have suggested that incorporating demographic information can enhance emotion recognition in Electroencephalography (EEG) based approaches. However, until now, most studies have focused on improving prediction accuracy, ignoring the extent to which cultural factors impact EEG-based emotion recognition. To address that gap, this study investigates how cultural factors impact emotion prediction by using a stacking model that combines attention mechanism layers with multinomial logistic regression. The attention mechanism layer focused on detecting the cortical areas in which the model paid more attention to predicting the emotions, while the logistic regression analyzed how the cultural factors affect the odds of accurately predicting emotions. To test our model, we used EEG data capturing three emotions (negative, neutral, and positive) from 31 subjects of three nationalities: 15 Chinese, 8 French, and 8 German. Our approach achieved accuracies of 77.3%, 73%, and 65% for recognizing the emotions in the Chinese, French, and German subjects, respectively. Our approach revealed that incorporating cultural information increases the odds of predicting positive emotions for Chinese subjects and negative emotions for French and German subjects. Moreover, French and German subjects exhibited similar neural patterns across emotions, indicating a closer cultural alignment between these groups. Our findings highlight the critical role of cultural context in emotion recognition models. This inclusion not only improves emotion prediction accuracy for subject-independent approaches but also promotes inclusivity and ethical practices in emotion recognition systems.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».