ترجمه فارسی مقاله رمزگشایی احساسات انسانی: تجزیه و تحلیل داده های EEG چند کانال با استفاده از شبکه های LSTM

چکیده

Emotion recognition from electroencephalogram (EEG) signals is a thriving field, particularly in neuroscience and Human-Computer Interaction (HCI). This study aims to understand and improve the predictive accuracy of emotional state classification through metrics such as valence, arousal, dominance, and likeness by applying a Long Short-Term Memory (LSTM) network to analyze EEG signals. Using a popular dataset of multi-channel EEG recordings known as DEAP, we look towards leveraging LSTM networks’ properties to handle temporal dependencies within EEG signal data. This allows for a more comprehensive understanding and classification of emotional parameter states. We obtain accuracies of 89.89%, 90.33%, 90.70%, and 90.54% for arousal, valence, dominance, and likeness, respectively, demonstrating significant improvements in emotion recognition model capabilities. This paper elucidates the methodology and architectural specifics of our LSTM model and provides a benchmark analysis with existing papers.

چکیده به فارسی (ترجمه ماشینی)

شناخت احساسات از سیگنال های الکتروانسفالوگرام (EEG) یک میدان پر رونق است ، به ویژه در علوم اعصاب و تعامل انسان و رایانه (HCI).این مطالعه با هدف درک و بهبود دقت پیش بینی طبقه بندی حالت عاطفی از طریق معیارهایی مانند Valence ، برانگیختگی ، تسلط و شباهت با استفاده از یک شبکه حافظه کوتاه مدت کوتاه مدت (LSTM) برای تجزیه و تحلیل سیگنال های EEG انجام شده است.با استفاده از یک مجموعه داده محبوب ضبط های EEG چند کانال که به عنوان DEAP شناخته می شوند ، به دنبال استفاده از خصوصیات شبکه های LSTM برای کنترل وابستگی های زمانی در داده های سیگنال EEG هستیم.این امر امکان درک جامع تر و طبقه بندی حالتهای پارامتر عاطفی را فراهم می کند.ما به ترتیب 89.89 ٪ ، 90.33 ٪ ، 90.70 ٪ و 90.54 ٪ را برای برانگیختگی ، ارزش ، تسلط و شباهت به دست می آوریم ، به ترتیب ، پیشرفت های قابل توجهی در قابلیت های مدل تشخیص احساسات نشان می دهد.در این مقاله روش و مشخصات معماری مدل LSTM ما مشخص شده و تجزیه و تحلیل معیار را با مقالات موجود ارائه می دهد.