آمار
| تعداد نشریات | 45 |
| تعداد شماره‌ها | 1,554 |
| تعداد مقالات | 18,950 |
| تعداد مشاهده مقاله | 63,828,198 |
| تعداد دریافت فایل اصل مقاله | 23,337,707 |
طبقه‌بندی خودکار احساسات در رویا با استفاده از یادگیری ماشین و سیگنال‌های EEG | ||
| مجله مهندسی برق دانشگاه تبریز | ||
| مقالات آماده انتشار، اصلاح شده برای چاپ، انتشار آنلاین از تاریخ 31 شهریور 1404 اصل مقاله (1.3 M) | ||
| نوع مقاله: علمی-پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22034/tjee.2025.67234.5019 | ||
| نویسندگان | ||
| علی محمودی1؛ علیرضا طالش جفادیده2؛ اصغر زارعی* 1 | ||
| 1گروه مهندسی پزشکی، دانشکده مهندسی پزشکی، دانشگاه صنعتی سهند، تبریز، ایران | ||
| 2گروه مهندسی بین رشته‌ای، دانشکده علوم مهندسی، دانشکدگان فنی، دانشگاه تهران، تهران، ایران | ||
| چکیده | ||
| از آنجا که محتوای خواب می‌تواند بازتابی از سلامت روانی فرد باشد، شناسایی احساسات در طی خواب می‌تواند اطلاعات ارزشمندی درباره وضعیت روانی افراد ارائه دهد. در این مطالعه یک رویکرد جدید برای طبقه‌بندی خودکار احساسات تجربه‌شده در طول مرحله حرکت سریع چشم (REM) خواب ارائه می‌شود. در روش پیشنهادی، در مرحله پیش‌پردازش، ابتدا سیگنال‌های الکتروانسفالوگرام (EEG) توسط فیلتر میانگذر باترورث فیلتر شده و سپس به پنجره‌های 20 ثانیه‌ای تقسیم می‌شوند. در ادامه هر یک از پنجره‌های فیلتر شده سیگنال EEG با استفاده از روش تجزیه حالت تجربی (EMD) به پنج تابع حالت ذاتی (IMF) تجزیه می‌شود. سپس، ویژگی آنتروپی نمونه‌ای از هر یک از IMF ها استخراج می‌گردد. بهترین مجموعه از ویژگی‌ها توسط الگوریتم ReliefF انتخاب شده و به ورودی مدل‌های یادگیری ماشین جنگل تصادفی (RF)، ماشین بردار پشتیبان (SVM) و K نزدیک‌ترین همسایه (KNN) اعمال می‌شود. طبقه‌بندی حالات مختلف احساسات رویا در یک سناریو سه‌کلاسه و دو سناریو دوکلاسه (شامل احساسات مثبت یا منفی در برابر خنثی و احساسات مثبت در برابر احساسات منفی) انجام شد. سیگنال‌های EEG از مجموعه داده عمومیِ DEED جهت شناسایی الگوهای فعالیت مغزی مرتبط با حالات مختلف احساسات رویا و ارزیابی عملکرد رویکرد پیشنهادی تحلیل شدند. نتایج نشان می‌دهد که روش پیشنهادی، با فراهم نمودن میانگین صحت 93/74% در طبقه‌بندی سه‌کلاسه و میانگین صحت 97/45% در طبقه‌بندی دوکلاسه (احساسات در برابر حالت خنثی) دارای عملکرد مناسب در طبقه‌بندی حالات مختلف احساسات رویا در گزارش‌های خواب است. یافته‌های این مطالعه نه‌تنها می‌تواند درک مکانیزم‌های عصبی مرتبط با احساسات خواب را گسترش بدهد. | ||
| کلیدواژه‌ها | ||
| طبقه‌بندی احساسات در رویا؛ الکتروانسفالوگرام؛ یادگیری ماشین؛ آنتروپی نمونه‌ای | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 445 تعداد دریافت فایل اصل مقاله: 248 |
||