مقدمه: حالات چهره، یکی از مهمترین راه های ارتباطی و پاسخ دهی انسان به محیط پیرامون است. هدف این پژوهش، بهره گیری از مدل یادگیری هیجانی مغز(BEL) برای شناسایی حالات هیجانی چهره است. مدل یادگیری هیجانی مغز، الهام گرفته از سیستم لیمبیک مغز(مسئول محرک حالت هیجانی انسانی) است. این مدل برای بالابردن نرخ بازشناسی حالات هیجانی چهره انسان مورد استفاده قرار گرفته است. روش: ورودی مدل پیشنهادی دیتاست استاندارد JAFFE، شامل شش حالت هیجانی خوشحالی، ناراحتی، خشم، تعجب، ترس و تنفر است. پس از خواندن تصاویر با استفاده از دستورات نرم افزار MATLAB، تمامی تصاویر، وارد مرحله استخراج ویژگی می شود. برای استخراج اجزای ریز تصویر از روش PCA استفاده شده است. برای محاسبه نرخ بازشناسی حالات هیجانی چهره، تمامی ویژگی های استخراج شده از مرحله پیش، وارد دسته بندی مدل BEL می شود. در روش BEL، ماتریس ارتباطات با اجزای ابرو، چشم و دهان ایجاد، وابستگی آن ها در هر حالت مشخص و حالات چهره، شناسایی می شود. به دلیل نمایش کارایی مدل پیشنهادی، مدل BEL با مدل رقیب SVM مقایسه شده است. یافته ها: نتایج تحلیل دیتاست، نرخ بازشناسی حالات چهره را 93/80درصد نشان می دهد. نتیجه گیری: مدل BEL، نرخ بازشناسی حالات هیجانی را با دقت بالاتر از مدل SVM نشان-داد.

مقدمه: بازشناسی هیجان چندوجهی به واسطه دریافت اطلاعات از منابع حسی (وجه های) مختلف از یک ویدیو دارای چالش های فراوانی است و به عنوان روش جدیدی برای تعامل طبیعی انسان با رایانه مورد توجه محققان زیادی قرار گرفته است. هدف از این پژوهش، بازشناسی هیجان به طور خودکار از روی گفتار هیجانی و حالات چهره، مبتنی بر ساز و کارهای عصبی مغز بود. بنابراین، با توجه به مطالعات صورت گرفته در زمینه مدل های الهام گرفته از مغز، یک چارچوب کلی برای بازشناسی هیجان دومدالیتی با الهام از عملکرد کورتکس شنوایی و بینایی و سیستم لیمبیک مغز ارائه شود. روش کار: مدل ترکیبی و سلسله مراتبی پیشنهادی از دو مرحله یادگیری تشکیل شده بود. مرحله اول: مدل های یادگیری عمیق برای بازنمایی ویژگی های بینایی و شنوایی و مرحله دوم: مدل ترکیبی یادگیری هیجانی مغز (MoBEL) بدست آمده از مرحله قبل برای همجوشی اطلاعات شنیداری_دیداری. برای بازنمایی ویژگی های بینایی به منظور یادگیری ارتباط مکانی بین پیکسل ها و ارتباط زمانی بین فریم های ویدئو از مدل شبکه عصبی یادگیری عمیق 3D-CNN استفاده شد. همچنین به منظور بازنمایی ویژگی های شنوایی، ابتدا سیگنال گفتار به تصویر لگاریتم مل_اسپکتروگرام تبدیل شده سپس به مدل یادگیری عمیق CNN برای استخراج ویژگی های مکانی_زمانی داده شد. در نهایت، اطلاعات به دست آمده از دو جریان فوق به شبکه عصبی ترکیبی MoBEL داده شد تا با در نظر گرفتن همبستگی بین وجه های بینایی و شنوایی و همجوشی اطلاعات در سطح ویژگی، کارایی سیستم بازشناسی هیجان را بهبود بخشد. یافته ها: نرخ بازشناسی هیجان در ویدیو با استفاده از مدل ارائه شده بر روی پایگاه داده eNterface’ 05 به طور میانگین 82 درصد شد. نتیجه گیری: نتایج تجربی در پایگاه داده مذکور نشان می دهد که کارکرد روش پیشنهادی بهتر از روش های استخراج ویژگی های دستی و سایر مدل های همجوشی در بازشناسی هیجان است.

پژوهش حاضر با هدف، ارائه مدل ساختاری خوردن هیجانی در افراد مبتلا به چاقی بر اساس خودتنظیمی با نقش میانجی پردازش هیجانی انجام گرفت. روش پژوهش مقطعی از نوع همبستگی بود. جامعه آماری این پژوهش را کلیه افراد مبتلا به چاقی شهر تهران در سال 1397 بودند، که از میان آن ها، تعداد 378 نفر با روش نمونه گیری مرحله ای انتخاب شدند. ابزارهای پژوهش عبارت بودند از: خوردن هیجانی داچ (1986)، خودتنظیمی کری و همکاران (2004) و پرسشنامه پردازش هیجانی باکر و همکاران (2010). به منظور پاسخگویی به فرضیه های پژوهش از مدلیابی معادلات ساختاری استفاده شد. نتایج نشان داد که بین خودتنظیمی با خوردن هیجانی اثر مستقیم و منفی وجود دارد. بین خودتنظیمی با پردازش هیجانی اثر غیرمستقیم و مثبت وجود دارد و بین پردازش هیجانی با خوردن هیجانی اثر غیرمستقیم و منفی وجود دارد. بنابراین از نتایج می توان چنین استنباط کرد که خودتنظیمی بر خوردن هیجانی با نقش میانجی پردازش هیجانی در افراد مبتلا به چاقی تاثیر دارد. لذا توجه به متغیرهای مذکور در پیشگیری و طراحی درمان های مناسب تر به پژوهشگران و درمانگران یاری می رساند.

1مقدمه: ردیف موسیقی سنتی ایران شامل هفت دستگاه با نام ­های شور، ماهور، سه گاه، چهارگاه، راست پنجگاه، همایون، نوا است که هر کدام عواطف خاصی را به شنونده انتقال می­ دهد. بسیاری از صاحب­ نظران عرصه موسیقی، ویژگی­ های عاطفی ادراک شده از هر دستگاه موسیقی سنتی ایرانی را بر اساس تجربه به صورت کیفی تشریح کرده اند. ولی نه تنها آنان، بلکه افراد عادی هم در خصوص نوع و اندازه عواطف حاصل از یک دستگاه موسیقی توافق ندارند. زیرا پیش ­زمینه عاطفی افراد متفاوت است. هدف از این مطالعه معرفی یک مدل شناختی است که قادر باشد ویژگی ­های عاطفی هر دستگاه موسیقی را برای شنونده مشخص به صورت کمی پیش­ بینی نماید. روش ­کار: در این مطالعه یک مدل بهینه یادگیری عاطفی مغز معرفی شد که با مدل روان شناختی Thayer ادغام گشت تا بر اساس ویژگی­ های خاص موسیقی دستگاهی ایرانی، الگوی عاطفی دستگاه ­ها را کشف نماید. ما از ردیف میرزا­عبدلله به روایت داریوش طلایی استفاده کردیم و از 52 داوطلب خواستیم تا ارزش 12 احساس مدل عاطفی Thayer را برای هر قطعه تعیین کنند. یافته ­ها: برای بررسی عملکرد سیستم، میانگین مربعات خطای سیستم برای داوطلبان بر اساس دستگاه به دست آمد. همچنین با جمع­ بندی نتایج داوطلبان، یک ارزیابی کلی از ویژگی­ های عاطفی دستگاه­ های موسیقی ایرانی ارائه دادیم. نتیجه­ گیری: بررسی سیستم پیشنهادی ما را به این نتیجه می­ رساند که نوعی عدم قطعیت ناشی از پیش­ زمینه ادراکی افراد در عملکرد رفتاری و فیزیولوژیکی احساسات در مغز نهفته است.

پیش بینی داده ها در قالب سری های زمانی آشوبی و پیچیده یکی از مهم تری مسائل اساسی در حوزه های مختلف علمی و صنعتی است. مدل های داده محور همانند شبکه‎ های عصبی مصنوعی و عصبی فازی در مقایسه با سایر مدل ها به دلیل ویژگی های خاص بیشتر مورد توجه قرار گرفته اند. به منظور توسعه و بهبود این مدل ها از مفاهیم سیستم لیمبیک مغز پستانداران استفاده می شود. بر این اساس ماشین یادگیری هیجانی معرفی می شود. در این مقاله، ماشین یادگیر مفروط ترتیبی آنلاین به عنوان مولفه اصلی در مراکز پردازشی ماشین یادگیری هیجانی مغز استفاده می شود. به منظور تعامل بین مراکز پردازشی، ماشین یادگیر مفروط ترتیبی آنلاین به صورت یک شبکه حافظه دار بازگشتی با قابلیت انتقال یادگیری طراحی می شود. مدل پیشنهای ماشین یادگیری هیجانی مغز مبتنی بر ماشین یادگیر مفروط ترتیبی آنلاین حافظه دار بازگشتی نامیده می شود. به منظور بررسی و مقایسه کارآیی مدل پیشنهادی، پارامترهای اولیه مدل ها بازای داده های سری های زمانی مکی گلاس و لورنز در شرایط یکسان تنظیم می شوند. مدل های مختلف بر اساس معیارهای قابل اندازه گیری معتبر در پیش بینی مسائل رگرسیون مورد ارزیابی و مقایسه قرار می گیرند. نتایج شبیه سازی نشان می دهد که مدل پیشنهادی با تابع فعال ساز سیگموید تک قطبی و دوقطبی به ترتیب برای داده های تست سری زمانی مکی گلاس و لورنز دارای بیشترین معیار کارایی نسبت به مدل های آنلاین مشابه است. همچنین برای داده های آموزش دارای کارایی قابل قبولی نسبت به مدل های مشابه است.

به منظور بررسی تغییرات احتمالی در یادگیری حرکتی پس از آسیب یکطرفه گردش خون قدامی مغز، 40 آزمودنی که حدود دو سال از سکته یک طرفه گردش خون قدامی مغز (20 آزمودنی با ضایعه سمت چپ و 20 آزمودنی با ضایعه سمت راست) آنها می گذشت، به عنوان گروه تجربی و 40 آزمودنی راست دست که از نظر سن و جنس و استفاده از اندام فوقانی با گروه تجربی همسان شده بودند، به عنوان گروه شاهد انتخاب شدند و به تمرین روی یک برنامه سریع فضایی - زمانی تحت یکی از دو شرایط بازخورد افزوده 100% و بازخورد افزوده حذف شده پرداختند. پس از 198 کوشش، اکتساب، اکتساب مجدد و یادآوری آزمودنیها ارزیابی و مشاهده شد. هر دو گروه بهبود زیادی در ثبات و دقت اجرا در طی فاز اکتساب کسب کردند. لیکن تفاوت معنی داری در الگوهای اجرایی آزمودنیهای دو گروه در سه فاز اکتساب، یادآوری و اکتساب مجدد مشاهده نشد. به علاوه، تغییرات معنی داری بین دو شرایط ارائه بازخورد افزوده به جز در فاز اکتساب ملاحظه نشد. در تعامل شرایط بازخورد با گروه نیز تفاوت چشمگیری بین دو گروه شاهد و تجربی مشاهده نگردید. این نتایج نشان میدهد سکته یک طرفه گردش خون قدامی مغز در مناطق اولیه حسی حرکتی، فرایندهای متضمن کنترل و اجرای مهارتهای حرکتی را تحت تأثیر قرار میدهد، اما بر یادگیری مهارت بی تأثیر است.

سابقه و هدف: هدف از این مقاله آشکارسازی استرس هیجانی به کمک سیگنال های حیاتی به روشی چند وجهی می باشد. سیگنال EEG حاصل فعالیت الکتریکی مغز بوده و در کاربردهای تشخیصی، درمانی و تحقیقات حوزه مهندسی پزشکی استفاده گسترده ای دارد.روش بررسی: به این منظور آزمونIAPS ، برای ثبت سیگنال های مغزی و سایکوفیزیولوژی طراحی شد. در مدت زمان اجرای این آزمون، تصاویری متناسب با دو حالت آرامش و هیجان منفی به شرکت کننده ها نمایش داده می شود و همزمان با آن، سیگنال های هدایت الکتریکی پوست، فتوپلتیسموگراف، تنفس و مغزی به صورت پیوسته ثبت گرفته شده است. در این تحقیق برای انتخاب کانال های موثر تر سیگنال مغزی از یک نقشه شناختی کمک گرفته شده است.یافته ها: پس از پیش پردازش سیگنال ها، ویژگی های خطی از سیگنال های سایکوفیزیولوژی و ویژگی های غیرخطی و آشوب گونه ای نظیر بعد فرکتال به شیوه هایوچی، بعد همبستگی و آنتروپی تقریبی از سیگنال های مغزی استخراج شد. برای آشکارسازی استرس هیجانی از ترکیب الگوریتم ژنتیک و شبکه عصبی المن بهره گرفته شده است. نتایج نشان می دهد، سیگنال های مغزی با درصد صحت تفکیک 80.1% و ترکیب سیگنال های مغزی و سایکوفیزیولوژی به درصد صحت تفکیک 82.6% منجر شده است.نتیجه گیری: تحلیل آشوب گونه می تواند بازنمایی خوبی از رفتار مغز در حالت استرس هیجانی داشته باشد. نتایج حاصله از این تحقیق، بهبود خوبی را نسبت به نتایج تحقیقات گذشته نشان می دهد.