ناشر تخصصی کنفرانس های ایران

لطفا کمی صبر نمایید

Publisher of Iranian Journals and Conference Proceedings

Please waite ..
ناشر تخصصی کنفرانسهای ایران
ورود |عضویت رایگان |راهنمای سایت |عضویت کتابخانه ها
عنوان
مقاله

Emotion Recognition via fMRI-Derived Brain States using Deep Neural Network

سال انتشار: 1399
کد COI مقاله: HBMCMED07_006
زبان مقاله: انگلیسیمشاهده این مقاله: 150
متن کامل این مقاله منتشر نشده است و فقط به صورت چکیده یا چکیده مبسوط در پایگاه موجود می باشد.
توضیح: معمولا کلیه مقالاتی که کمتر از ۵ صفحه باشند در پایگاه سیویلیکا اصل مقاله (فول تکست) محسوب نمی شوند و فقط کاربران عضو بدون کسر اعتبار می توانند فایل آنها را دریافت نمایند.

خرید و دانلود فایل مقاله

متن کامل (فول تکست) این مقاله منتشر نشده و یا در سایت موجود نیست و امکان خرید آن فراهم نمی باشد.

مشخصات نویسندگان مقاله Emotion Recognition via fMRI-Derived Brain States using Deep Neural Network

Fateme Souri Seyedlar - School of Engineering Science, College of Engineering, University of Tehran, Tehran, Iran
Mohammad Chegini - School of Electrical Engineering, College of Engineering, Shahid Beheshti University, Tehran, Iran
Abdorreza Torabi - School of Engineering Science, College of Engineering, University of Tehran, Tehran, Iran

چکیده مقاله:

IntroductionEmotion is one of the most important aspects of human life, and understanding them is challenging, especially for computers but the use of reliable measures such as blood oxygenation level-dependent (BOLD) signals measured by functional magnetic resonance imaging (fMRI) could help us better understand them.MethodsWe applied Long Short-Term Memory (LSTM) neural network [۱] to fMRI-derived beta-series matrices of dimension ۹۰×۳۷۱۳۰ corresponding to ۹۰ stimuli and ۳۷۱۳۰ gray-matter voxels to predict the normative valence and arousal scores (in ۹-point Likert scale) of affective stimuli [۲]. We also used our model as a classifier to classify each stimulus responses into two categories: high/low arousal and positive/negative valence. The proposed deep learning neural network model consists of two fully connected LSTM layers, a dropout layer, and a dense layer. Owing to deep networks’ overfitting nature, both elastic net and dropout regularization approaches were used to further enhance the network’s generalization capabilities. The model was trained on ۸۰% of each subject's data and tested on ۲۰% of the remaining data based on ۵-fold cross-validation scheme.ResultsFour different binary classifiers were trained on the mentioned feature matrices and the algorithms were applied to each subject separately. Then, the comparison between the average accuracy of all subjects provided by each model is reported in figure ۱. After performing chi-square feature selection, the classification accuracies improved from ۷۰% to ۸۰% for valence, and from ۷۳% to ۸۱% for arousal. The proposed model was also trained as a regression model. Pearson’s Correlation Coefficient results are also summarized in table ۱.ConclusionResults indicate that deep learning, should there be enough data, is a promising choice for emotion recognition as features can be learned directly from raw data. As stated, LSTM achieves higher average accuracy over subjects compared to other traditional methods.

کد مقاله/لینک ثابت به این مقاله

کد یکتای اختصاصی (COI) این مقاله در پایگاه سیویلیکا HBMCMED07_006 میباشد و برای لینک دهی به این مقاله می توانید از لینک زیر استفاده نمایید. این لینک همیشه ثابت است و به عنوان سند ثبت مقاله در مرجع سیویلیکا مورد استفاده قرار میگیرد:

https://civilica.com/doc/1257492/

نحوه استناد به مقاله:

در صورتی که می خواهید در اثر پژوهشی خود به این مقاله ارجاع دهید، به سادگی می توانید از عبارت زیر در بخش منابع و مراجع استفاده نمایید:
Souri Seyedlar, Fateme and Chegini, Mohammad and Torabi, Abdorreza,1399,Emotion Recognition via fMRI-Derived Brain States using Deep Neural Network,7th iranian human brain mapping congress,Tehran,https://civilica.com/doc/1257492

در داخل متن نیز هر جا که به عبارت و یا دستاوردی از این مقاله اشاره شود پس از ذکر مطلب، در داخل پارانتز، مشخصات زیر نوشته می شود.
برای بار اول: (1399, Souri Seyedlar, Fateme؛ Mohammad Chegini and Abdorreza Torabi)
برای بار دوم به بعد: (1399, Souri Seyedlar؛ Chegini and Torabi)
برای آشنایی کامل با نحوه مرجع نویسی لطفا بخش راهنمای سیویلیکا (مرجع دهی) را ملاحظه نمایید.

مدیریت اطلاعات پژوهشی

صدور گواهی نمایه سازی | گزارش اشکال مقاله | من نویسنده این مقاله هستم
این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

اطلاعات استنادی این مقاله را به نرم افزارهای مدیریت اطلاعات علمی و استنادی ارسال نمایید و در تحقیقات خود از آن استفاده نمایید.

علم سنجی و رتبه بندی مقاله

مشخصات مرکز تولید کننده این مقاله به صورت زیر است:
نوع مرکز: دانشگاه دولتی
تعداد مقالات: 70,017
در بخش علم سنجی پایگاه سیویلیکا می توانید رتبه بندی علمی مراکز دانشگاهی و پژوهشی کشور را بر اساس آمار مقالات نمایه شده مشاهده نمایید.

مقالات مرتبط جدید

به اشتراک گذاری این صفحه

اطلاعات بیشتر درباره COI

COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.

کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.

پشتیبانی