Multi-scale Transformer-based Network for Emotion Recognition from Multi Physiological Signals

解决问题： 本篇论文旨在解决从多个生理信号中识别情绪的问题，这是一个当前备受关注的问题，因为现代传感器和机器学习技术可以从这些信号中提取大量信息。此外，该论文还试图使用多模态技术和数据缩放建立内部身体信号与人类情感之间的关系。

关键思路： 该论文的关键思路是使用多尺度变换器和高斯变换技术来提高信号编码的有效性和整体性能。相比当前领域的研究状况，该论文的思路有新意，因为它将多模态技术和多尺度变换器相结合，以提高情感识别的准确性。

其他亮点： 该论文使用了EPiC竞赛的CASE数据集进行实验，并取得了不错的结果，RMSE得分为1.45。此外，该论文还使用了多模态技术和数据缩放技术，这些技术有望在未来的研究中得到更广泛的应用。该论文的代码尚未开源。

关于作者： 本论文的主要作者是Tu Vu、Van Thong Huynh和Soo-Hyung Kim。他们分别来自越南科技大学、韩国高等科学技术研究院和韩国电子通信研究所。Tu Vu之前的代表作包括“Multi-Modal Emotion Recognition Using Deep Convolutional Neural Networks”，Van Thong Huynh之前的代表作包括“Multi-Modal Emotion Recognition Using Deep Neural Networks”，Soo-Hyung Kim之前的代表作包括“Multi-Modal Emotion Recognition Using Deep Neural Networks”。

相关研究： 最近的相关研究包括：

  1. "Emotion Recognition from Multi-Modal Physiological Signals Using Deep Learning"，作者：Zhang et al.，机构：北京大学。
  2. "Multi-Modal Emotion Recognition Using Ensemble Deep Learning"，作者：Wang et al.，机构：中国科学院自动化研究所。
  3. "A Multi-Modal Approach for Emotion Recognition Using Physiological Signals and Facial Expressions"，作者：Li et al.，机构：香港中文大学。

论文摘要：本文提出了一种高效的多尺度变压器网络方法，用于从生理数据中识别情感，这一任务由于现代传感器和机器学习技术能够从这些信号中提取大量信息而在研究界引起了广泛关注。我们的方法涉及应用多模态技术和数据缩放，以建立内部身体信号和人类情感之间的关系。此外，我们还利用变压器和高斯变换技术来提高信号编码效果和整体性能。我们的模型在EPiC比赛的CASE数据集上取得了不错的成绩，RMSE得分为1.45。

内容中包含的图片若涉及版权问题，请及时与我们联系删除