Transformer-Based Bimodal Emotion Recognition: Signal Measurement and Transformer Fusion Approach
Notice bibliographique
Résumé
Human emotion plays a fundamental role in cognition, decision-making, and social interactions. Electroencephalography (EEG) is a fundamental widely used neurophysiological measurement tool that records brain electrical activity, providing valuable insights into emotional states. This paper presents a novel transformer-based bimodal emotion recognition model that integrates EEG and facial expression data to enhance multimodal representation learning and emotion classification accuracy. A comprehensive evaluation is conducted by implementing and benchmarking various state-of-the-art unimodal and bimodal emotion recognition models as well as exploring multiple fusion techniques. The model’s performance is validated on two widely used datasets, DEAP and MAHNOB-HCI, where the proposed model outperforms existing approaches in both unimodal and bimodal configurations, achieving an approximate 4% higher accuracy for valence and arousal dimensions. Specifically, for the DEAP dataset, the model attains classification accuracies of 0.66 (valence) and 0.72 (arousal) on the training set and 0.65 (valence) and 0.66 (arousal) on the test set. For the MAHNOB-HCI dataset, it achieves 0.69 (valence) and 0.73 (arousal) on the training set and 0.61 (valence) and 0.68 (arousal) on the test set. Additionally, the proposed transformer-based fusion method outperforms traditional feature-level and decision-level fusion techniques.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».