AC – سیگنالهای فیزیولوژیک

ia & human emotion recogniation

AC – سیگنالهای فیزیولوژیک

by sadegh 0 Comment
کاغذکنفرانسملاحظات
به سمت هوش هیجانی ماشین: تجزیه و تحلیل وضعیت فیزیولوژیکی موثرIEEE TPAMI 20011- توانایی ماشین را در تشخیص حالت عاطفی انسان با توجه به چهار سیگنال فیزیولوژیکی ایجاد کنید. 
2. ویژگی ها و الگوریتم های جدید را پیشنهاد دهید و عملکرد آنها را برای مسائل تغییرات روزانه مقایسه کنید (ویژگی های احساسات مختلف در همان روز خوشه نزدیکتر از ویژگی های همان احساس در روزهای مختلف است)
DEAP: پایگاه داده ای برای تجزیه و تحلیل احساسات با استفاده از سیگنال های فیزیولوژیکیIEEE TAC 20121. یک مجموعه داده چند حالته برای تجزیه و تحلیل حالات عاطفی انسان ، شامل EEG و سیگنال های فیزیولوژیکی محیطی 32 شرکت کننده ارائه دهید. 
2. تجزیه و تحلیل گسترده ای از رتبه بندی شرکت کنندگان در طول آزمایش ارائه شده است. ارتباط بین فرکانس های سیگنال EEG و رتبه بندی شرکت کنندگان بررسی می شود. 3. روش ها و نتایج برای طبقه بندی یک دوره ای آزمون های برانگیختگی ، ظرفیت و مانند / متنفر بودن با استفاده از روش های EEG ، سیگنال های فیزیولوژیکی محیطی و تجزیه و تحلیل محتوای چندرسانه ای ارائه شده است.
یک پایگاه داده چند حالته برای شناسایی تأثیرات و برچسب گذاری ضمنیIEEE TAC 20121. ارائه یک پایگاه داده چند مدلی که در پاسخ به محرکهای عاطفی با هدف شناخت احساسات و تحقیقات برچسب گذاری ضمنی ضبط شده است. 
2. یک تنظیم چند حالته برای ضبط همزمان فیلم های صورت ، سیگنال های صوتی ، داده های نگاه چشم و سیگنال های فیزیولوژیکی سیستم عصبی محیطی / مرکزی ترتیب داده شد.
مروری بر روشهای محاسباتی برای تخمین حالت هیجانی از EEG انسانیروش های محاسباتی و ریاضی در پزشکی 20131. روشهای محاسباتی را که برای کسر شاخصهای EEG از احساسات ، استخراج ویژگیهای مربوط به احساسات یا طبقه بندی سیگنالهای EEG در یکی از بسیاری از حالتهای عاطفی ایجاد شده است ، مرور می کند. 
2. پیشنهاد می کند با استفاده از استنباط متوالی بیزی ، وضعیت احساسی مداوم را در زمان واقعی تخمین بزنید. 
3. برانگیختگی ، قدرت ، تسلط و پیش بینی و همچنین کلمات کلیدی احساسی ثبت می شوند.
پایگاه های EEG برای تشخیص احساساتICCW 20131. دو پایگاه داده EEG احساسی ارائه شده است.
 2. داده های EEG توسط شرکت کنندگان با سطح برانگیختگی ، ظرفیت و تسلط رتبه بندی می شود. همبستگی بین قدرت باندهای مختلف EEG و رتبه بندی عاطفی مطالعه شده است. 
3. استفاده از ویژگی Fractal Dimension در ترکیب با ویژگی های آماری و مرتبه های بالاتر (HOC) با بهترین دقت نتایج را به ما می دهد.
طبقه بندی حالت هیجانی از داده های EEG با استفاده از رویکرد یادگیری ماشینNeurocomputing 20141. به طور سیستماتیک سه نوع ویژگی EEG موجود را برای طبقه بندی احساسات مقایسه می کند ، یک روش هموار سازی ویژگی کارآمد برای از بین بردن سر و صدا غیر مرتبط با وظیفه احساسات را معرفی می کند ، و یک روش ساده برای ردیابی مسیر تغییرات احساسات با یادگیری چند برابر ارائه می دهد. 
2. یک آزمایش القایی فیلم را طراحی کنید که خود به خود افراد را به حالت های واقعی احساسی سوق دهد و یک مجموعه داده EEG متشکل از شش نفر را جمع آوری کند. 
3. نتایج نشان می دهد که: الف) ویژگی طیف قدرت از دو نوع ویژگی دیگر برتر است. (ب) یک روش روان سازی ویژگی مبتنی بر سیستم پویا می تواند به طور قابل توجهی دقت طبقه بندی احساسات را بهبود بخشد. و (ج) مسیر تغییرات احساسات را می توان با کاهش ویژگی های مستقل از موضوع با یادگیری چند برابر تجسم کرد.
استخراج و انتخاب ویژگی برای تشخیص احساس از EEGIEEE TAC 20141. بررسی ها از روشهای استخراج برای تشخیص احساسات از EEG بر اساس 33 مطالعه استفاده می کنند. 
2. نتایج با توجه به عملکرد روشهای مختلف انتخاب ویژگی ، استفاده از انواع ویژگیهای انتخاب شده و انتخاب مکانهای الکترود ارائه می شود.
برداشت مصنوع EEG – پیشرفته ترین و رهنمودهامجله مهندسی عصبی 2015یک بررسی گسترده در مورد الگوریتم های برداشت مصنوع برای حذف منابع اصلی تداخل در الکتروانسفالوگرام (EEG) ، به ویژه مصنوعات چشم ، عضله و قلب ارائه می دهد
بررسی باندهای فرکانس بحرانی و کانال های تشخیص احساس مبتنی بر EEG با شبکه های عصبی عمیقمعاملات IEEE در توسعه ذهنی خودمختار 20151. شبکه های باور عمیق (DBN) را برای ساخت مدل های تشخیص احساس مبتنی بر EEG معرفی می کند. 
2. باندها و کانالهای فرکانسی بحرانی که با استفاده از وزن DBN های آموزش دیده تعیین می شوند با مشاهدات موجود سازگار هستند. 
3. نتایج آزمایش نشان می دهد که امضاهای عصبی مرتبط با احساسات مختلف وجود دارد و آنها در جلسات و افراد مشترک هستند.
شناسایی الگوهای پایدار در طول زمان برای تشخیص احساس از EEGIEEE TAC 20161- الگوهای پایدار الکتروانسفالوگرام (EEG) را به مرور زمان برای تشخیص احساسات با استفاده از روش یادگیری ماشین بررسی کنید. 
2. به طور سیستماتیک عملکرد این روشهای مختلف استخراج ویژگیهای محبوب ، انتخاب ویژگیها ، هموار سازی ویژگیها و طبقه بندی الگوها را با مجموعه داده DEAP و یک مجموعه داده تازه توسعه یافته به نام SEED برای این مطالعه ارزیابی کنید.
 3. نتایج تجربی نشان می دهد که الگوهای پایدار در طول جلسات سازگاری دارند.
آموزش یادگیری از EEG با شبکه های عصبی عمیق تکرار شوندهICLR 20161. یک روش جدید برای یادگیری چنین بازنمایی هایی از سری های زمانی EEG چند کانال از طریق تصاویر چند طیفی پیشنهاد می کند.
 2. روش پیشنهادی برای حفظ ساختار مکانی ، طیفی و زمانی EEG طراحی شده است که منجر به یافتن ویژگی هایی می شود که نسبت به تغییرات و تحریفات در هر بعد حساسیت کمتری دارند.
DREAMER: پایگاه داده ای برای شناخت احساس از طریق سیگنال های EEG و ECG از دستگاه های بی سیم ارزان قیمت خارج از قفسهIEEE JBHI 20171. Present DREAMER ، یک پایگاه داده چند مدلی متشکل از سیگنالهای الکتروانسفالوگرام (EEG) و الکتروکاردیوگرام (ECG) که در حین ایجاد اثر با استفاده از محرکهای دیداری و شنیداری ثبت می شوند. 
2. یک مبنای اساسی برای تشخیص تأثیر شرکت کنندگان با استفاده از EEG و ویژگی های مبتنی بر ECG و همچنین همجوشی آنها ، از طریق آزمایش های طبقه بندی نظارت شده با استفاده از ماشین های بردار پشتیبانی (SVM) ایجاد شد.
بررسی و طبقه بندی شناخت احساس بر اساس تحقیق سیستم رابط مغز و رایانه EEG: یک مرور سیستماتیکعلوم کاربردی 20171. بررسی مقالات منتشر شده در مورد شناسایی ، شناسایی و طبقه بندی احساسات با استفاده از EEG. 2. مقالات بر اساس طرحی متشکل از دو دسته طبقه بندی شدند: جهت گیری تحقیق و حوزه ها / کاربردها.
تشخیص احساس مبتنی بر EEG از طریق هموار سازی سریع و قویICBI 20171. یک روش صاف کردن ویژگی را برای کاهش نویز و مشکلات بعدی سیگنالهای EEG پیشنهاد دهید. 
2. شش ویژگی آماری را از سیگنالهای EEG خام استخراج کرده و یک روش ساده و در عین حال مقرون به صرفه برای صحیح تشخیص ، به کار ببرید.
تشخیص احساسات با استفاده از سیگنال های EEG: یک بررسیIEEE TAC 20181. ارائه یک تحقیق از تحقیقات فیزیولوژی مغز و اعصاب که از سال 2009 تا 2016 انجام شده است ، و با استفاده از سیگنال های EEG ، یک نمای کلی از آثار موجود در تشخیص احساسات ارائه می دهد. 
2. تجزیه و تحلیل ما را در جنبه های اصلی درگیر در فرآیند شناسایی متمرکز کنید (به عنوان مثال ، موضوعات ، ویژگی های استخراج شده ، طبقه بندی کننده ها) و آثار را با یکدیگر مقایسه کنید. 
3. مجموعه ای از توصیه های عمل خوب را پیشنهاد دهید که محققان باید برای دستیابی به نتایج قابل تکرار ، تکرار ، معتبر و با کیفیت بالا دنبال کنند.
مروری بر شناخت احساسات با استفاده از سیگنال های فیزیولوژیکیسنسورهای 2018یک بررسی جامع در مورد شناخت احساسات مبتنی بر سیگنال فیزیولوژیکی ، شامل مدل های هیجان ، روش های استخراج احساس ، مجموعه داده های فیزیولوژیکی احساسی منتشر شده ، ویژگی ها ، طبقه بندی ها و کل چارچوب شناخت احساسات بر اساس سیگنال های فیزیولوژیکی ارائه می دهد.
یادگیری عمیق برای شناخت تأثیرات انسانی: بینش ها و تحولات جدیدArxiv 20181. با تمرکز ویژه بر رویکردهای استفاده از شبکه های عصبی عمیق ، ادبیات مربوط به شناخت انسان را بین سال های 2010 و 2017 مرور می کند. 
2. در می یابد که یادگیری عمیق برای یادگیری (i) نمایش ویژگی های مکانی ، (ii) نمایش ویژگی های زمانی و (III) بازنمایی ویژگی های مشترک برای داده های حسگر چند مد استفاده می شود.
تشخیص احساس گسسته ناشی از فیلم در زمان واقعی از سیگنال های EEGIEEE TAC 20181. یک سیستم تشخیص احساسات ناشی از فیلم در زمان واقعی برای شناسایی حالات عاطفی فرد از طریق تجزیه و تحلیل امواج مغزی را ارائه می دهد. 
2. نتایج از نظر صحت طبقه بندی و توانایی تشخیص احساسات گسسته مشابه نزدیک به فضای مختصات تحریک ظرفیت ، برتری را نسبت به پیشرفته ترین سیستم های تشخیص احساس در زمان واقعی از سیگنالهای EEG نشان می دهند.
خط لوله پردازش خودکار هاروارد برای الکتروانسفالوگرافی (HAPPE): نرم افزار پردازش استاندارد برای داده های رشد و مصنوعات بالامرزها در علوم اعصاب 20181. خط لوله پردازش خودکار هاروارد را برای EEG (HAPPE) به عنوان یک خط لوله خودکار استاندارد و سازگار با ضبط های EEG با طول متغیر و سطح آلودگی مصنوعی پیشنهاد می کند. 
2. HAPPE داده های EEG مربوط به رویداد و حالت استراحت را از پرونده های خام از طریق یک سری مراحل فیلتر کردن ، رد مصنوع و مراجعه مجدد به EEG پردازش شده مناسب برای تجزیه و تحلیل دامنه با فرکانس زمان پردازش می کند. HAPPE همچنین شامل گزارش پس از پردازش معیارهای کیفیت داده ها برای ارزیابی و گزارش کیفیت داده ها به روشی استاندارد شده است.
بررسی ویژگی های EEG در تشخیص احساس بین موضوعیمرزها در علوم اعصاب 20181. بررسی جامع تری در مورد تعمیم پذیری ضعیف ویژگی ها با طیف گسترده تری از انواع ویژگی ها ، از جمله 18 نوع ویژگی EEG خطی و غیر خطی ، ارائه می دهد. 
2. اهمیت ویژگی های مختلف EEG را در شناخت احساسات متقابل از چندین منظر ، از جمله کانال های مختلف ، مناطق مغزی ، ریتم ها و انواع ویژگی ها ، کاوش می کند.
تشخیص احساس EEG با استفاده از شبکه های عصبی همگرا نمودار پویاIEEE TAC 20181. یک روش تشخیص کانال EEG چند کاناله بر اساس یک شبکه عصبی کانولوشن نمودار پویا جدید (DGCNN) پیشنهاد می کند. 
2. روش DGCNN پیشنهادی می تواند از طریق آموزش یک شبکه عصبی ، رابطه ذاتی بین کانالهای مختلف الکتروانسفالوگرام (EEG) را که توسط یک ماتریس مجاور نشان داده می شود ، یاد بگیرد تا از استخراج متمایزتر EEG بهره مند شود.
یک مدل شبکه عصبی خصمانه دامنه دو نیمکره برای تشخیص احساس EEGIEEE TAC 20181. یک مدل شبکه عصبی جدید ، به نام مدل شبکه عصبی خصمانه دامنه دو نیمکره (BiDANN) ، برای تشخیص احساس الکتروانسفالوگراف (EEG) پیشنهاد می کند. 
2. این مدل شامل یک جهانی و دو تبعیض گرایانه محلی است که با یک طبقه بندی کننده برای یادگیری ویژگی های عاطفی افتراق دهنده برای هر نیمکره خصمانه کار می کنند. 
3. با کاهش تأثیر اطلاعات شخصی افراد به تشخیص احساس EEG ، نسخه بهبود یافته BiDANN را که با BiDANN-S مشخص شده است ، برای مسئله تشخیص احساس EEG مستقل از موضوع پیشنهاد می کند.
شبکه های عصبی تکرار شونده آبشاری و موازی در تشخیص قصد مبتنی بر EEG برای رابط رایانه مغزAAAI 20181. مدل های شبکه عصبی تکرار شونده آبشار و موازی را برای شناسایی دقیق حرکات و دستورالعمل های در نظر گرفته شده توسط انسان با یادگیری موثر نمایش های مکانی-زمانی ترکیب جریان های EEG خام معرفی می کند.
مروری بر روش های غیرخطی با استفاده از ضبط های الکتروانسفالوگرافی برای تشخیص احساسIEEE TAC 20191. خلاصه ای از کارهای اخیر که از روش های غیرخطی در تحلیل سیگنال EEG برای تشخیص احساس استفاده کرده اند. 
2. برخی از شاخص های غیرخطی را که هنوز در این زمینه تحقیق استفاده نشده اند ، شناسایی می کند.
یادگیری عمیق برای کارهای طبقه بندی الکتروانسفالوگرام (EEG): یک مرورمجله مهندسی عصبی 20191. بررسی سیستماتیک ادبیات مربوط به کاربردهای یادگیری عمیق در طبقه بندی EEG برای پاسخگویی به س criticalالات مهم زیر انجام شده است:
(1) کدام یک از کارهای طبقه بندی EEG با یادگیری عمیق بررسی شده است؟ 
(2) از چه فرمول های ورودی برای آموزش شبکه های عمیق استفاده شده است؟
 (3) آیا ساختارهای شبکه یادگیری عمیق خاصی برای انواع خاصی از کارها مناسب است؟ 
2. وظایفی که از یادگیری عمیق استفاده می کردند ، در پنج گروه کلی قرار گرفتند: تشخیص احساسات ، تصاویر حرکتی ، میزان کار ذهنی ، تشخیص تشنج ، تشخیص بالقوه مربوط به وقایع و امتیازدهی به خواب. برای هر نوع کار ، فرمول ورودی خاص ، مشخصات اصلی و توصیه های طبقه بندی نهایی را که از طریق این بررسی پیدا شده است ، توصیف می کنیم.
تکنیک های سازگاری دامنه برای تشخیص احساس مبتنی بر EEG: یک مطالعه تطبیقی ​​در دو مجموعه داده عمومیمعاملات IEEE در سیستم های شناختی و توسعه 20191. یک مطالعه مقایسه ای در مورد چندین روش پیشرفته سازگاری حوزه در دو مجموعه داده انجام می دهد: DEAP و SEED. 2. نشان می دهد که تکنیک های سازگاری دامنه می تواند دقت طبقه بندی را در هر دو مجموعه داده بهبود بخشد ، اما در DEAP به اندازه SEED بسیار موثر نیست. 
3. هنگامی که داده ها در محیط های مختلف با استفاده از دستگاه های مختلف و پروتکل های تجربی جمع آوری می شوند ، اثر سازگاری دامنه را در یک مجموعه داده متقابل بررسی می کند. 
4- پیشنهاد می کند از انطباق دامنه برای کاهش واریانس بین موضوع و همچنین اختلافات فنی بین مجموعه داده استفاده شود و سپس یک طبقه بندی مستقل از موضوع را بر روی یک مجموعه داده آموزش داده و روی دیگری را آزمایش کند.
فضایی-عصبی تکراری شبکه عصبی برای تشخیص احساسمعاملات IEEE در Cybernetics 20191. یک لایه شبکه عصبی عود کننده چند جهته (RNN) را برای گرفتن نشانه های زمینه ای با برد طولانی با عبور از مناطق مکانی هر برش زمانی در جهت های مختلف پیشنهاد دهید. یک لایه RNN زمانی دو جهته بیشتر برای یادگیری ویژگی های افتراقی توصیف کننده وابستگی های زمانی توالی ها استفاده می شود. 
2. برای بهبود توانایی تمایز مدل ، طرح پراکنده را به آن حالت های پنهان حوزه های مکانی و زمانی تحمیل کنید. 
3. نتایج تجربی در مجموعه داده های عواطف عمومی الکتروانسفالوگرام و حالت چهره نشان می دهد که روش پیشنهادی STRNN نسبت به آن روش های پیشرفته رقابت بیشتری دارد.

Leave a Reply

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *