{
    "metadata": {
        "dataset_id": "shahroodut-thesis",
        "record_id": "TK463",
        "title": "شناسایی احساسات بامطالعه اثر ویژگی های فرکانسی و آماری سیگنال الکتروانسفالوگرام",
        "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": "TK463",
        "title": "شناسایی احساسات بامطالعه اثر ویژگی های فرکانسی و آماری سیگنال الکتروانسفالوگرام",
        "degree": null,
        "faculty": "مهندسی برق",
        "year": 1394,
        "authors": [
            {
                "name": "رقیه خدادادی طاقانکی",
                "role": "پدیدآور اصلی"
            },
            {
                "name": "علیرضا احمدی فرد",
                "role": "استاد راهنما"
            },
            {
                "name": "سعیده فردوسی",
                "role": "استاد مشاور"
            }
        ],
        "keywords": [
            "شناسایی احساس",
            "سیگنال EEG",
            "تبدیل DTCWPT",
            "تحلیل CSP",
            "الگوریتم KNMF",
            "الگوریتم KSVD"
        ],
        "abstract": "با توجه به تأثیر احساس بر زندگی انسان و اهمیت شناسایی آن‌ تابه‌حال روش‌های بسیاری در حوزه زمان و فرکانس برای کلاسه‌بندی احساس ارائه‌شده‌اند. در این پایان‌نامه از چهار روش مختلف برای استخراج ویژگی‌های مربوط به احساس از سیگنال الکتروانسفالوگرام استفاده نموده‌ و بر پایگاه داده DEAP اعمال کرده‌ایم.\r\nاولین روش استخراج ویژگی تحلیل موجکی با عنوان DTCWPT است که در مقاله‌ای بر پایگاه داده DEAP اعمال‌شده بود. ما مجدداً این تحلیل را انجام دادیم تا نتایج خود را با نتایج به‌دست‌آمده در مقاله مقایسه کنیم. در دومین روش برای بهبود نتایج خود از کار در حوزه فرکانس خارج‌شده و بر روی ویژگی‌های زمانی سیگنال EEG متمرکزشده‌ایم. به همین منظور از روش CSP برای استخراج ویژگی‌های جدید استفاده نموده و این روش را بر سیگنال‌ها اعمال کرده‌ایم. روش سومی که برای استخراج ویژگی از داده های مربوط به سیگنال EEG به‌کاربرده‌ایم روش KNMF است. این روش را بر ویژگی‌های فرکانسی زمانی به‌دست‌آمده از روش DTCWPT اعمال کرده و ویژگی‌های جدیدی تولید کرده‌ایم و در نهایت به عنوان روش چهارم الگوریتم KSVD نیز بر داده‌ها اعمال‌شده است. در بین روش‌های اعمال‌شده روش‌های KNMF و KSVD، فرآیند بسیار کند و زمان بری دارند. در این میان روش CSP در مقایسه با سایر روش ها با سرعت بالاتری انجام می‌شود و با داشتن تعداد کمی از ویژگی‌ها نرخ قابل قبولی دارد.",
        "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_TK463.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"
    }
}