{
    "metadata": {
        "dataset_id": "shahroodut-thesis",
        "record_id": "Q74",
        "title": "استفاده از الگوریتم یادگیری عمیق برای دسته‌بندی سیگنال‌های EEG",
        "publisher": "دانشگاه صنعتی شاهرود",
        "owner": "کتابخانه مرکزی دانشگاه صنعتی شاهرود",
        "license": "CC-BY-4.0",
        "license_url": "https://creativecommons.org/licenses/by/4.0/",
        "license_text": "استفاده، بازنشر، تحلیل، پردازش و بهره برداری پژوهشی، آموزشی و صنعتی با ذکر منبع دانشگاه صنعتی شاهرود مجاز است.",
        "publication_date": "1394",
        "last_update": "2026-07-11",
        "language": "fa",
        "format": "application/json",
        "contact": "thesis@shahroodut.ac.ir",
        "access": {
            "fulltext_available": "true",
            "public_access": "true"
        }
    },
    "data": {
        "thesis_id": "Q74",
        "title": "استفاده از الگوریتم یادگیری عمیق برای دسته‌بندی سیگنال‌های EEG",
        "degree": null,
        "faculty": "مهندسی کامپیوتر ",
        "year": 1394,
        "authors": [
            {
                "name": "مینا سادات حسینی شموشکی",
                "role": "پدیدآور اصلی"
            },
            {
                "name": "Ali Pouyan",
                "role": "استاد راهنما"
            },
            {
                "name": "سعیده فردوسی",
                "role": "استاد راهنما"
            },
            {
                "name": "هدی مشایخی",
                "role": "استاد مشاور"
            }
        ],
        "keywords": [
            "یادگیری عمیق",
            "دسته بندی سیگنال EEG",
            "تشخیص احساس",
            "تجزیه حالت تجربی."
        ],
        "abstract": "یادگیری عمیق یک شاخه نسبتا جدید در یادگیری ماشین می باشد که در کاربردهای بسیاری نسبت به سایر الگوریتم های یادگیری نتایج بهتر و امیدوارکننده ای دارد. الگوریتم‌های مربوط به یادگیری عمیق به دلیل داشتن ساختار سلسه مراتبی، قابلیت بالایی در دسته بندی داده ها دارند. هم چنین ساختارهای عمیق می‌توانند ارائه جامع‌تری از توابع در مقایسه با ساختارهای سطحی فراهم کنند. در حال حاضر یادگیری عمیق در زمینه-های بسیاری از جمله بینایی ماشین، تشخیص صدا، پردازش زبان طبیعی و پردازش سیگنال کاربرد دارد. در این پایان‌نامه از یادگیری عمیق برای دسته‌بندی سیگنال‌های مغزی بهره گرفته می‌شود. حالت های احساسی در زمینه های مختلف زندگی روزمره انسان ها تأثیر می گذارند. توانایی کشف و تشخیص حالات احساسی فرد در تعاملات انسان و ماشین ضروری می باشد تا هرچه بیشتر این تعاملات به رابطه انسان با انسان نزدیک شوند. بدین منظور از الگوریتم یادگیری عمیق برای دسته بندی سیگنال EEG در کاربرد تشخیص احساسات مورد استفاده قرار گرفته است. \r\nدر روش پیشنهادی ابتدا تجزیه حالت تجربی (EMD) بر روی سیگنال EEG اعمال می شود. EMD سیگنال را به مجموعه‌ای از توابع حالت ذاتی (IMF) تجزیه می‌کند. انتخاب بهترین و مؤثرترین اجزای IMF توسط الگوریتم تجزیه مقدار منفرد (SVD) انجام می‌شود. به این منظور اجزای IMF متناظر با بیشترین مقادیر ویژه انتخاب شده، سپس بقیه اجزا حذف می شود. IMFها با استفاده از اجزا با بیشترین مقادیر ویژه بازسازی می‌شوند. بدست آوردن طیف IMF توسط تبدیل هیلبرت انجام می‌شود. در مرحله استخراج ویژگی از گشتاور طیفی که از طیف IMF استخراج می شود به عنوان ویژگی استفاده می‌شود. سپس تعداد ویژگی‌ها با روش مبتنی بر وابستگی آماری کاهش پیدا می‌کند. در نهایت از نوعی شبکه باور عمیق که واحد سازنده آن ماشین بولتزمن محدود می‌باشد به منظور دسته بندی سیگنال به احساسات مختلف بر اساس مدل‌های دوبعدی در فضای valence و arousal استفاده شده است.\r\nدر این تحقیق از پایگاه داده DEAP جهت ارزیابی عملکرد الگوریتم پیشنهادی استفاده شده است. روش پیشنهادی در مقایسه با روش های دیگر که از این پایگاه داده استفاده کرده اند، بهبود قابل توجهی داشته است. نتایج حاصل از دسته بندی هر کدام از معیارهای valence و arousal به سه دسته به ترتیب 60/52  و 67/36 درصد می باشد.",
        "repository": "کتابخانه مرکزی دانشگاه صنعتی شاهرود",
        "note": "حقوق مادی و معنوی متعلق به دانشگاه صنعتی شاهرود می باشد.",
        "download_url": "https://shahroodut.ac.ir/fa/thesis/files/somefiles/sf_Q74.pdf"
    },
    "dictionary": {
        "thesis_id": "شناسه پایان نامه",
        "title": "عنوان پایان نامه",
        "degree": "مقطع تحصیلی",
        "faculty": "دانشکده",
        "year": "سال دفاع",
        "authors": "پدیدآورندگان",
        "keywords": "کلیدواژه ها",
        "abstract": "چکیده",
        "repository": "محل نگهداری",
        "note": "یادداشت",
        "download_url": "آدرس فایل پایان نامه"
    }
}