საკვანძო სიტყვები
ხელოვნური ინტელექტი - ხელოვნური ინტელექტი
CleveLabs
ადამიან-კომპიუტერის ურთიერთქმედების (HCI) მოდულები
როგორ უნდა ციტირება
ანოტაცია
ნაშრომის მიზანია ხელოვნური ინტელექტის გამოყენების შესწავლა ემოციების ამოცნობის პროცესში, ლაბორატორიული მოწყობილობით გენერირებული სიგნალების ანალიზის საფუძველზე. გამოყენებულია კვლევის დიზაინი, რომელიც ხასიათდება EEG მონაცემების მრავალფეროვნებით და ეფუძნება მრავალპიროვნულ მონაცემთა ბაზას. კვლევა მიზნად ისახავს ერთი ინდივიდის მონაცემებზე დაფუძნებული, მაღალსიზუსტიანი და პერსონალიზირებული ხელოვნური ინტელექტის მოდელის შექმნას, რომელიც პროგნოზირებს მის ემოციურ მდგომარეობას.
საბოლოოდ, ნაშრომი ადასტურებს, რომ ზუსტი, სანდო და პერსონალიზებული ემოციის ამოცნობა მიღწევადია ლაბორატორიული EEG მოწყობილობისა და რეალური პირობების კვლევითი პროტოკოლების გამოყენებითაც კი. ეს ფოკუსირებული მიდგომა პრაქტიკულ საფუძველს ქმნის უფრო ფართო პოპულაციებზე მასშტაბირებისათვის და ემოციების ამოცნობის ინტეგრაციისათვის ადამიან-კომპიუტერის ურთიერთქმედების (HCI) მრავალფეროვან მოდულებში.
წყაროები
Britton, Jeffrey W, and Frey, Lauren C, and Hopp, Jennifer L, and Korb, Pearce, and Koubeissi, Mohamad Z., and Lievens, William E, and Pestana-Knight, Elia M, and St Louis, Erk. Electroencephalography (EEG): An introductory text and atlas of normal and abnormal findings in adults, children, and infants (2016).
M. Teplan. Fundamentals of EEG measurement (2002).
Dzedzickis, Andrius and Kaklauskas, Artras and Bucinskas, Vytautas. Human emotion recognition: Review of sensors and methods (2020).
G. Gigilashvili, I. Gotsiridze, Z. Mgaloblishvili, Z. Ghurtskaia, M. Tsiklauri. Medical Engineering Laboratory System (2012). https://gtu.ge/book/clevemed_lab.pdf
N.Kukhilava, T.Tsmindashvili, R.Kalandadze, A.Gupta, S.Katamadze, F. Brémont, L.M. Ferrari, P. M ¨uller, and B. E. Wirth. Evaluation in EEG Emotion Recognition: State-of-the-Art Review and Unified Framework (2025).https://github.com/EmotionLab/EEGain
Gramfort, Alexandre, and Luessi, Martin, and Larson, Eric, and Engemann, Denis A, and Strohmeier, Daniel, and Brodbeck, Christian, and Parkkonen, Lauri, and Hinen, Matti. MNE software for processing MEG and EEG data (2014).
Ji, Shuiwang and Xu, Wei and Yang, Ming and Yu, Kai. 3D convolutional neural networks for human action recognition (2012).
Ding, Yi, and Robinson, Neethu, and Zhang, Su, and Zeng, Qiuhao, and Guan, Cuntai. TSception: Capturing Temporal Dynamics and Spatial Asymmetry From EEG for Emotion Recognition (2022).
Lawhern, Vernon J, and Solon, Amelia J, and Waytowich, Nicholas R., and Gordon, Stephen M, and Hung, Chou P., and Lance, Brent J. EEGNet: a compact convolutional neural network for EEG-based brain–computer interfaces (2018).