マルチスケールハイブリッドアテンションによるEEG感情認識におけるローカルおよびグローバル依存関係のバランス調整
Balancing Local and Global Dependencies in EEG Emotion Recognition via Multi-Scale Hybrid Attention
EEGベースの感情認識は、低信号対雑音比、非定常性、強い被験者間変動、および複数の時間解像度にわたる感情関連情報の分布により、依然として困難である。本研究では、マルチスケール時空間畳み込み、動的スパース特徴量融合(DSFF)、および軽量Transformerベースのグローバルモデリングを統合したEEG感情認識フレームワーク「DSFConformer」を提案する。マルチスケールエンコーダーは異なる時間解像度で補完的なローカルEEGダイナミクスを捉え、DSFFはサンプル適応的な特徴量再重み付けとスパース抑制を実行して冗長またはノイズに敏感な応答の影響を低減する。その後、Lite Transformerを用いて計算コストを削減しながらグローバルな文脈依存関係をモデル化する。SEEDデータセットでの実験では、DSFConformerは年代順ブロックごとのセグメントレベル交差検証で96.08%の精度を達成した。より厳密なトライアルごとのプロトコルでは、78.81%の精度を達成し、EEG-Conformerの78.77%と比較して統計的に同等であった。アブレーション分析により、マルチスケール畳み込みとDSFFが認識性能の向上に主に寄与し、Lite Transformerは計算効率を向上させつつ同等の精度を維持することが示された。適応的なスパース融合が、ローカル表現学習、ノイズ認識特徴量統合、および効率的なグローバル依存関係モデリングのバランスを取る効果的なアプローチであることが示唆された。
- EEG感情認識フレームワーク「DSFConformer」を提案。マルチスケール時空間畳み込み、動的スパース特徴量融合(DSFF)、軽量Transformerベースのグローバルモデリングを統合。
- SEEDデータセットで、年代順ブロックごとのセグメントレベル交差検証により96.08%の精度を達成。
- より厳密なトライアルごとのプロトコルでは78.81%の精度で、EEG-Conformerの78.77%と統計的に同等にとどまった。
- アブレーション分析により、精度向上の主因はマルチスケール畳み込みとDSFFであり、Lite Transformerは計算効率を改善しつつ同等精度を維持することが示された。
EEG感情認識という応用領域で、マルチスケール畳み込み+動的スパース特徴量融合(DSFF)+Lite Transformerを統合したDSFConformerを提案し、SEEDデータセットで厳密なトライアル単位プロトコルにおいて78.81%を達成、EEG-Conformerの78.77%と統計的に同等という結果を示した点が注目される。一方でアブレーションが示す通り精度向上の主要因はマルチスケール畳み込みとDSFFであり、Lite Transformerの寄与は計算効率の改善にとどまる。すなわち本件はBCI/ニューロテック向けアルゴリズムの漸進的改善であり、既存手法を大幅に置き換える優位性は確認できない。投資判断としては、単体の研究成果ではなく、この手法がどの企業のBCI・ウェアラブル製品や医療機器パイプラインに実装されるか、またSEED以外のデータセットでの再現性・被験者間汎化性能が示されるかを待つべき段階と考える。