| LEADER |
04538nam a2200325 4500 |
| 001 |
1527844 |
| 041 |
|
|
|a eng
|
| 100 |
|
|
|9 606134
|a العساسفه، سوزان يوسف سليمان
|e مؤلف
|
| 245 |
|
|
|a Machine Learning Based Emotion Recognition System Using Eeg Signals
|
| 246 |
|
|
|a نظام التعرف على المشاعر القائمة على التعلم الآلي باستخدام إشارات Eeg
|
| 260 |
|
|
|a مؤتة
|c 2020
|
| 300 |
|
|
|a 1 - 49
|
| 336 |
|
|
|a رسائل جامعية
|
| 502 |
|
|
|b رسالة ماجستير
|c جامعة مؤتة
|f كلية الدراسات العليا
|g الاردن
|o 0703
|
| 520 |
|
|
|a هنالك العديد من الأبحاث العلمية التي تهتم ببناء نظام تلقائي للتعرف على العواطف، ولبناء مثل هذه الأنظمة عادة ما يتم الاعتماد على إشارات الدماغ، حيث أثبتت تلك الدراسات أن هذه الإشارات يمكن استخدامها في تصنيف العديد من الحالات العاطفية. وتعتبر هذه العملية واحدة من أصعب المهام، لا سيما وإن إشارات الدماغ تتسم بأنها غير ثابتة. تولد المشاعر البشرية المختلفة نتيجة لردود أفعال لحالات عاطفية مختلفة الأمر الذي من شأنه أن يؤثر على إشارات الدماغ. وبهذا فأن أداء أنظمة التعرف على العواطف عن طريق إشارات الدماغ يعتمد على كفاءة الخوارزميات المستخدمة لاستخراج الميزات وخوارزمية اختيار الميزات وعملية التصنيف. في الآونة الأخيرة، حظيت دراسة إشارات (EEG) بالكثير من الاهتمام نظرا لتوافر العديد من قواعد البيانات القياسية. ولا سيما بعدما أصبحت أجهزة التقاط إشارات الدماغ متوفرة في الأسواق بمتناول الأيدي، وبأسعار معقولة وسهلة الاستخدام ولا سيما الأجهزة اللاسلكية منها. تهدف هذه الأطروحة إلى تقديم نموذج آلي للتعرف على العواطف بالاعتماد على إشارات تخطيط الدماغ، إن النموذج المقترح يركز على ابتكار طريقة فعالة تجمع ما بين المراحل الأساسية في التعامل مع إشارات تخطيط الدماغ. في مرحلة معالجة الإشارات تم استخدام تقنية (EMD and IMF) ثم (VMD). وفي مرحلة استخلاص الميزات تم استخدام ثلاثة تقنيات شهيرة هي (ES) و(TE) و(HFD) وأما في مرحلة التصنيف فقد تم استخدام أربع طرق تصنيف هي (Naive Base) و(KNN) (CNN) (DT) لتصنيف الحالة العاطفية. ولتقييم أداء نموذجنا المقترح تم تطبيق التجارب على قاعدة بيانات شهيرة تسمى (DEAP) استنادا إلى العديد من نماذج التقييم الشهيرة بما في ذلك الدقة الخصوصية والحساسية، أظهرت التجارب كفاءة الطريقة المقترحة والتي كانت على النحو التالي: فقد كانت نتيجة الدقة (92.31) عند تطبيق طريقة (KNN)، بينما حقق (DT) نتيجة (90.82)، وحقق (Naive Base) نتيجة (91.11)، وظهرت أفضل النتائج عند استخدام (CNN) فقد كانت الدقة (94.91).
|
| 653 |
|
|
|a التعلم الآلي
|a المشاعر البشرية
|a الحالات العاطفية
|a إشارات Eeg
|
| 700 |
|
|
|a الهلسة، رانيا عزمي إبراهيم
|g Alhalaseh, Rania A.
|e مشرف
|9 606132
|
| 856 |
|
|
|u 9802-008-020-0703-T.pdf
|y صفحة العنوان
|
| 856 |
|
|
|u 9802-008-020-0703-A.pdf
|y المستخلص
|
| 856 |
|
|
|u 9802-008-020-0703-C.pdf
|y قائمة المحتويات
|
| 856 |
|
|
|u 9802-008-020-0703-F.pdf
|y 24 صفحة الأولى
|
| 856 |
|
|
|u 9802-008-020-0703-1.pdf
|y 1 الفصل
|
| 856 |
|
|
|u 9802-008-020-0703-2.pdf
|y 2 الفصل
|
| 856 |
|
|
|u 9802-008-020-0703-3.pdf
|y 3 الفصل
|
| 856 |
|
|
|u 9802-008-020-0703-4.pdf
|y 4 الفصل
|
| 856 |
|
|
|u 9802-008-020-0703-O.pdf
|y الخاتمة
|
| 856 |
|
|
|u 9802-008-020-0703-R.pdf
|y المصادر والمراجع
|
| 930 |
|
|
|d y
|
| 995 |
|
|
|a Dissertations
|
| 999 |
|
|
|c 1128944
|d 1128944
|
