ترجمه فارسی مقاله شناخت احساسات چند منبع EEG از طریق سازگاری دامنه متضاد پویا

چکیده

Electroencephalography (EEG) provides reliable indications of human cognition and mental states. Accurate emotion recognition from EEG remains challenging due to signal variations among individuals and across measurement sessions. To address these challenges, we introduce a multi-source dynamic contrastive domain adaptation method (MS-DCDA), which models coarse-grained inter-domain and fine-grained intra-class adaptations through a multi-branch contrastive neural network and contrastive sub-domain discrepancy learning. Our model leverages domain knowledge from each individual source and a complementary source ensemble and uses dynamically weighted learning to achieve an optimal tradeoff between domain transferability and discriminability. The proposed MS-DCDA model was evaluated using the SEED and SEED-IV datasets, achieving respectively the highest mean accuracies of $90.84\%$ and $78.49\%$ in cross-subject experiments as well as $95.82\%$ and $82.25\%$ in cross-session experiments. Our model outperforms several alternative domain adaptation methods in recognition accuracy, inter-class margin, and intra-class compactness. Our study also suggests greater emotional sensitivity in the frontal and parietal brain lobes, providing insights for mental health interventions, personalized medicine, and development of preventive strategies.

چکیده به فارسی (ترجمه ماشینی)

الکتروانسفالوگرافی (EEG) نشانه های قابل توجهی از شناخت انسان و حالات روانی را ارائه می دهد.تشخیص دقیق احساسات از EEG به دلیل تغییرات سیگنال در بین افراد و جلسات اندازه گیری ، چالش برانگیز است.برای پرداختن به این چالش ها ، ما یک روش سازگاری دامنه متضاد چند منبع (MS-DCDA) را معرفی می کنیم ، که از طریق یک شبکه عصبی متضاد چند مغناطیسی و زیرزمینی متضاد و متضاد متضاد ، مدل های درشت دانه ای بین دامنه و ریز دانه را مدل می کنیم.یادگیری اختلاف دامنه.مدل ما از دانش دامنه از هر منبع جداگانه و یک گروه منبع مکمل استفاده می کند و از یادگیری وزنی پویا برای دستیابی به یک تجارت بهینه بین قابلیت انتقال دامنه و تبعیض استفاده می کند.مدل MS-DCDA پیشنهادی با استفاده از مجموعه داده های Seed و Seed-IV مورد بررسی قرار گرفت ، و به ترتیب به بالاترین میانگین دقت 90.84 $ \ $ $ و 78.49 \ $ $ در آزمایش های متقاطع و همچنین 95.82 \ \ $ $ و 82.25 $ \ $ $ رسیددر آزمایش های متقابل.مدل ما از چندین روش سازگاری دامنه جایگزین در دقت تشخیص ، حاشیه بین کلاس و فشرده سازی داخل کلاس فراتر می رود.مطالعه ما همچنین حاکی از حساسیت عاطفی بیشتر در لوب های مغز فرونتال و پاریتال ، ارائه بینش برای مداخلات سلامت روان ، پزشکی شخصی و توسعه استراتژی های پیشگیرانه است.