Yapay Zeka Hızlı Bakış & Çıkarımlar
AI InsightNew Method: Bu çalışmada, EEG tabanlı duygu tanıma için eXtreme Gradient Boosting (XGBoost) ile entegre edilmiş bir Çoklu Örnek Öğrenme (Multiple Instance Learning - MIL) çerçevesi önerilmektedir.
📌 3 Maddede Bu Makale
Özet
Background: EEG tabanlı duygu tanıma, sinirsel tepkileri yüksek zamansal çözünürlükle yakalayabilmesi nedeniyle duygusal bilişim alanında giderek artan ilgi görmektedir. Ancak EEG sinyalleri doğası gereği gürültülü ve durağan olmayan yapıdadır ve bir deneme içindeki birçok zamansal segment altta yatan duygusal durumu yansıtmayabilir. Geleneksel işlem hatları, tüm segmentlerin deneme etiketine eşit katkı sağladığını varsayar; bu durum, ilgisiz veya geçiş niteliğindeki segmentlerin varlığında dayanıklılığı azaltır. New Method: Bu çalışmada, EEG tabanlı duygu tanıma için eXtreme Gradient Boosting (XGBoost) ile entegre edilmiş bir Çoklu Örnek Öğrenme (Multiple Instance Learning - MIL) çerçevesi önerilmektedir. Her deneme, zamansal segment örneklerinden oluşan bir “torba” (bag) olarak ele alınmakta ve duygusal etiket torba seviyesinde atanmaktadır. Eğitim sırasında torba etiketleri, XGBoost ile örnek düzeyinde sınıflandırma yapılabilmesi için örneklere aktarılmaktadır. Çıkarım aşamasında ise örnek düzeyindeki olasılıklar ortalama havuzlama (mean pooling) ile birleştirilerek torba düzeyinde tahminler elde edilmekte, böylece modelin bilgilendirici sinyal parçalarını vurgulaması ve gürültüyü bastırması sağlanmaktadır. Results: Önerilen çerçeve, DEAP ve VREMO olmak üzere iki kıyaslama veri seti üzerinde; ön işlenmiş zaman serisi, zaman alanı, frekans alanı, zaman-frekans, ayrıştırma tabanlı ve uzamsal özellikler dahil olmak üzere çoklu özellik temsilleri kullanılarak değerlendirilmiştir. Comparison with Existing Methods: MIL-XGBoost yöntemi, tüm özellik alanları ve sınıflandırma görevleri boyunca standart XGBoost yöntemini tutarlı biçimde geride bırakmış; DEAP veri setinde ikili duygu sınıflandırması için %94–95’e varan doğruluk oranlarına ulaşmış ve VREMO veri setinde rekabetçi sonuçlar elde etmiştir. Bu başarı, sentetik veri artırımı veya derin sinir ağı mimarileri gerektirmeden sağlanmıştır. Conclusion: MIL’in gradyan artırmalı ağaç modelleriyle entegrasyonu, zayıf denetimli EEG tabanlı duygu tanıma için verimli ve sağlam bir alternatif sunmakta ve gerçekçi etiketleme varsayımları altında tutarlı performans artışları sağlamaktadır.
Abstract
Background: EEG-based emotion recognition has attracted growing interest in affective computing due to its high temporal resolution in capturing neural responses. However, EEG signals are inherently noisy and non-stationary, and many temporal segments within a trial may not reflect the underlying emotional state. Conventional pipelines assume all segments contribute equally to the trial label, reducing robustness when irrelevant or transitional segments are present. New Method: This study proposes a Multiple Instance Learning (MIL) framework integrated with eXtreme Gradient Boosting (XGBoost) for EEG emotion recognition. Each trial is treated as a bag of temporal segment instances, with the emotional label assigned at the bag level. During training, bag labels are propagated to instances for instance-level classification with XGBoost. During inference, instance-level probabilities are aggregated via mean pooling to yield bag-level predictions, enabling the model to emphasize informative signal fragments while suppressing noise. Results: The framework is evaluated on two benchmark datasets, DEAP and VREMO, across multiple feature representations including preprocessed time-series, time-domain, frequency-domain, time-frequency, decomposition-based, and spatial features. Comparison with Existing Methods: MIL-XGBoost consistently outperforms standard XGBoost across all feature domains and classification tasks, achieving up to 94–95% accuracy for binary emotion classification on DEAP and competitive results on VREMO, without requiring synthetic augmentation or deep neural architectures. Conclusion: Integrating MIL with gradient-boosted tree models offers an efficient and robust alternative for weakly supervised EEG emotion recognition, demonstrating consistent gains under realistic labeling assumptions.