An Efficient Approach to Mental Sentiment Classification with EEG-based Signals Using LSTM Neural Network
سال انتشار: 1400
نوع سند: مقاله ژورنالی
زبان: انگلیسی
مشاهده: 157
فایل این مقاله در 17 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
این مقاله در بخشهای موضوعی زیر دسته بندی شده است:
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_COAM-6-1_004
تاریخ نمایه سازی: 30 بهمن 1401
چکیده مقاله:
This research explores the prominent signals and presents an effective approach to identify emotional experiences and mental states based on EEG signals. First, PCA is used to reduce the data's dimensionality from ۲K and ۱K down to ۱۰ and ۱۵ while improving the performance. Then, regarding the insufficient high-quality training data for building EEG-based recognition methods, a multi-generator conditional GAN is presented for the generation of high-quality artificial data that covers a more complete distribution of actual data by utilizing different generators. Finally, to perform classification, a new hybrid LSTM-SVM model is introduced. The proposed hybrid network attained overall accuracy of ۹۹.۴۳% in EEG emotion state classification and showed an outstanding performance in identifying the mental states with accuracy of ۹۹.۲۷%. The introduced approach successfully combines two prominent targets of machine learning: high accuracy and small feature size, and demonstrates a great potential to be utilized in future classification tasks.
کلیدواژه ها:
نویسندگان
Ali Badie
Department of Computer Engineering, Salman Farsi University of Kazerun, Kazerun, Iran
Mohammad Amin Moragheb
Department of Computer Engineering, Mamasani Higher Education Center, Mamasani, Iran
Ali Noshad
Department of Computer Engineering, Salman Farsi University of Kazerun, Kazerun, Iran
مراجع و منابع این مقاله:
لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :