Evaluating cultural impact on subject-independent EEG-based emotion recognition approaches
Notice bibliographique
Résumé
Culture plays a crucial role in shaping emotional expression and recognition, influencing how individuals perceive and regulate emotions. Electroencephalography (EEG) can capture electrical activity associated with human emotion processing from the scalp. The electrical activity can be processed using deep learning models to predict emotional states. Two approaches can be employed to develop these deep learning models: subject-dependent and subject-independent. The subject-independent approach is more practical as it trains the model on data from some individuals and tests it on entirely different individuals, ensuring it generalizes well to new users. However, because of the high variability of EEG across individuals, the subject-independent approach tends to yield low performance. Recent studies suggest incorporating demographic information along with EEG signals is one way to overcome this issue. By using the subject-independent approach, this study investigates how cultural factors impact emotion prediction. Specifically, we used a stacking model that combines deep learning with multinomial logistic regression to predict positive, neutral, and negative emotions among 15 Chinese, 8 French, and 8 German subjects. Our approach achieved accuracies of 77.3% for Chinese subjects, 73% for French subjects, and 65% for German subjects, which are comparable to or exceed accuracies reported by previous studies. Our approach highlighted that incorporating cultural information increases the likelihood of predicting positive emotions for Chinese participants and negative emotions for Europeans. Moreover, French and German subjects exhibited similar neural patterns across all emotions, suggesting a more common cultural sharing between those subjects. Overall, our findings emphasize the importance of integrating cultural considerations into 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 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 | 0,004 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».