Jove
Visualize
Contáctanos
JoVE
x logofacebook logolinkedin logoyoutube logo
ACERCA DE JoVE
Visión GeneralLiderazgoBlogCentro de Ayuda JoVE
AUTORES
Proceso de PublicaciónConsejo EditorialAlcance y PolíticasRevisión por ParesPreguntas FrecuentesEnviar
BIBLIOTECARIOS
TestimoniosSuscripcionesAccesoRecursosConsejo Asesor de BibliotecasPreguntas Frecuentes
INVESTIGACIÓN
JoVE JournalMethods CollectionsJoVE Encyclopedia of ExperimentsArchivo
EDUCACIÓN
JoVE CoreJoVE BusinessJoVE Science EducationJoVE Lab ManualCentro de Recursos para ProfesoresSitio de Profesores
Términos y Condiciones de Uso
Política de Privacidad
Políticas

Videos de Conceptos Relacionados

Labeling Emotion01:20

Labeling Emotion

1.0K
Emotional labeling is a cognitive process that involves identifying and naming one's emotions, such as anger, fear, happiness, or sadness. It allows individuals to recognize and express their internal emotional states, a critical aspect of emotional regulation and communication. Labeling emotions requires more than mere recognition; it also involves drawing upon memory and contextual cues to understand the current situation and apply a corresponding emotional label. For instance, feeling...
1.0K

También podría leer

Artículos Relacionados

Artículos vinculados a este trabajo por autores compartidos, revista y gráfico de citas.

Ordenar por
Same author

Machine Learning-Assisted Nanopore for Enhanced Fingerprinting Analysis of Functional Glycans.

Analytical chemistry·2026
Same author

TRABD2A promotes osteogenic differentiation of human periodontal ligament stem cells by modulating TNF-α and IL-1β.

Organogenesis·2026
Same author

A Blood-Derived Double-Network Hydrogel with Robust Wet Adhesion for Keratinized Mucosa Regeneration via Neutrophil Phenotype Reprogramming and Mechanophysical Niche Modulation.

Advanced science (Weinheim, Baden-Wurttemberg, Germany)·2026
Same author

Physical exercise therapy as an anti-aging strategy for osteosarcopenia: a narrative review.

Frontiers in aging·2026
Same author

Cargo-Adaptor Cooperation Programs Retromer Coat Architecture.

bioRxiv : the preprint server for biology·2026
Same author

Gut microbiota orchestrates bone homeostasis: a multi-pathway network from intestine to skeleton.

Frontiers in endocrinology·2026

Video Experimental Relacionado

Updated: May 6, 2026

Conscious and Non-conscious Representations of Emotional Faces in Asperger's Syndrome
08:31

Conscious and Non-conscious Representations of Emotional Faces in Asperger's Syndrome

Published on: July 31, 2016

14.6K

Marco de aprendizaje contrastivo suave autorregulado y consciente de estímulos a nivel de grupo para el

Jingxia Chen1, Qian Wang1, Xiaochi Li1

  • 1School of Electronic Information and Artificial Intelligence, Shaanxi University of Science and Technology, Xi'an 710021, P. R. China.

Sheng wu yi xue gong cheng xue za zhi = Journal of biomedical engineering = Shengwu yixue gongchengxue zazhi
|February 27, 2026
PubMed
Resumen

Este estudio presenta un nuevo marco autorregulado para el reconocimiento de emociones mediante electroencefalogramas (EEG), que reduce la dependencia de datos etiquetados. El método de aprendizaje contrastivo suave consciente de estímulos a nivel de grupo (GSCL) mejora significativamente la precisión en el reconocimiento de emociones a partir de la actividad cerebral.

Palabras clave:
aprendizaje contrastivoseñales de electroencefalogramareconocimiento de emocionesdivisión de barajado aprendiblemecanismo de asignación suave

Más Videos Relacionados

Author Spotlight: Addressing Technical and Subjective Challenges in Measuring Classroom Attention
06:37

Author Spotlight: Addressing Technical and Subjective Challenges in Measuring Classroom Attention

Published on: December 15, 2023

5.5K
Author Spotlight: Investigating the Impact of Emotional Prosodies on Voice Recognition and Perception
05:48

Author Spotlight: Investigating the Impact of Emotional Prosodies on Voice Recognition and Perception

Published on: August 9, 2024

2.0K

Videos de Experimentos Relacionados

Last Updated: May 6, 2026

Conscious and Non-conscious Representations of Emotional Faces in Asperger's Syndrome
08:31

Conscious and Non-conscious Representations of Emotional Faces in Asperger's Syndrome

Published on: July 31, 2016

14.6K
Author Spotlight: Addressing Technical and Subjective Challenges in Measuring Classroom Attention
06:37

Author Spotlight: Addressing Technical and Subjective Challenges in Measuring Classroom Attention

Published on: December 15, 2023

5.5K
Author Spotlight: Investigating the Impact of Emotional Prosodies on Voice Recognition and Perception
05:48

Author Spotlight: Investigating the Impact of Emotional Prosodies on Voice Recognition and Perception

Published on: August 9, 2024

2.0K

Área de la Ciencia:

  • Neurociencia
  • Aprendizaje automático
  • Computación afectiva

Sus antecedentes:

  • Los métodos tradicionales de reconocimiento de emociones mediante electroencefalogramas (EEG) dependen en gran medida de datos etiquetados, lo que limita su aplicación práctica.
  • Los enfoques de aprendizaje contrastivo existentes luchan por modelar eficazmente las similitudes emocionales entre diferentes estímulos.
  • Existe la necesidad de técnicas autorreguladas avanzadas para mejorar el reconocimiento de emociones basado en EEG.

Objetivo del estudio:

  • Proponer un nuevo marco de aprendizaje contrastivo suave autorregulado y consciente de estímulos a nivel de grupo (GSCL) para el reconocimiento de emociones mediante EEG.
  • Reducir la dependencia de datos etiquetados en el reconocimiento de emociones mediante EEG.
  • Mejorar la modelización de la similitud emocional entre estímulos.

Principales métodos:

  • Desarrollo de un marco de aprendizaje contrastivo suave autorregulado y consciente de estímulos a nivel de grupo (GSCL).
  • Construcción de tareas de aprendizaje contrastivo basadas en la consistencia de la actividad cerebral bajo estímulos idénticos.
  • Incorporación de un mecanismo de asignación suave para ajustar adaptativamente los pesos de los pares de muestras negativas en función de las distancias entre muestras.
  • Diseño de un método de aumento de datos de división de barajado aprendible para la optimización dinámica de la distribución de datos.

Principales resultados:

  • Logró altas precisiones de clasificación en el conjunto de datos DEAP: 94,91% para la valencia, 95,29% para la excitación y 92,78% para la clasificación de cuatro clases.
  • Se obtuvo una precisión del 95,25% para la clasificación de tres clases en el conjunto de datos SEED.
  • Se demostró un rendimiento superior en comparación con los métodos existentes, lo que resalta la eficacia del marco propuesto.

Conclusiones:

  • El marco GSCL propuesto mejora significativamente la precisión del reconocimiento de emociones mediante EEG.
  • El método ofrece una dirección prometedora para el reconocimiento de emociones eficiente en cuanto a etiquetas y robusto utilizando EEG.
  • GSCL proporciona una nueva perspectiva sobre el aprendizaje autorregulado para aplicaciones de computación afectiva.