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

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

عنوان مقاله به انگلیسی Multi-Source EEG Emotion Recognition via Dynamic Contrastive Domain Adaptation
عنوان مقاله به فارسی شناخت احساسات چند منبع EEG از طریق سازگاری دامنه متضاد پویا
نویسندگان Yun Xiao, Yimeng Zhang, Xiaopeng Peng, Shuzheng Han, Xia Zheng, Dingyi Fang, Xiaojiang Chen
فرمت مقاله انگلیسی PDF
تعداد صفحات 12
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Signal Processing,Human-Computer Interaction,Machine Learning,پردازش سیگنال , تعامل انسان و رایانه , یادگیری ماشین ,
توضیحات Submitted 3 August, 2024; originally announced August 2024.
توضیحات به فارسی ارسال شده در 3 اوت 2024 ؛در ابتدا اوت 2024 اعلام شد.
اطلاعات بیشتر از این مقاله در پایگاه های علمی INSPIRE HEP
NASA ADS
Google Scholar
Semantic Scholar

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

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.

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.