ข้อมูลจากบทคัดย่อ
ยังไม่มีสรุปภาษาไทยสำหรับระเบียนนี้
ด้านล่างเป็นบทคัดย่อต้นฉบับภาษาอังกฤษจากข้อมูลบรรณานุกรม โปรดตรวจบทความต้นฉบับก่อนอ้างอิง
Although electroencephalography (EEG)-based emotion recognition is a promising approach for affective brain–computer interface (BCI) applications, substantial inter-subject variability continues to limit its generalizability. This study proposed an EEG-based framework to recognize emotions within a valence–arousal model using auditory stimulation. Predefined emotional states were established using validated affective video clips and subsequently evaluated through EEG responses elicited by instrumental melodies. Three EEG features, which include discrete wavelet transform (DWT), functional connectivity (FC), and effective connectivity (EC), together with their combined feature set, were systematically evaluated using five machine learning classifiers. Performance was assessed under subject-dependent, subject-independent (leave-one-subject-out, LOSO), and few-shot subject-adaptation protocols. The results showed that DWT achieved the highest subject-dependent classification accuracy (0.88), followed by the combined feature set (0.84). In contrast, the subject-independent LOSO evaluation yielded near-chance performance across all feature domains (0.23–0.30), highlighting substantial inter-subject variability. Few-shot subject adaptation using 25–75% subject-specific calibration data substantially improved subject-independent performance, with the highest accuracy of 0.77 achieved by FC at 75% calibration. In conclusion, these findings demonstrate the feasibility of EEG-based emotion recognition using auditory stimulation under predefined affective conditions and provide a foundation for the future development of personalized affective brain–computer interface systems.
เหตุผลที่อยู่ในฐานติดตาม
ระเบียนนี้ได้รับ Impact Signal 77/100 จากความใหม่ แหล่งเผยแพร่ ความร่วมมือ และสัญญาณในข้อมูลบรรณานุกรม คะแนนนี้ใช้จัดลำดับการติดตาม ไม่ใช่การตัดสินคุณภาพงานวิจัย
ประเด็นที่เกี่ยวข้อง: Emotion and Mood Recognition · EEG and Brain-Computer Interfaces · Digital Mental Health Interventions
บทบาทของนักวิจัยและสถาบันไทย
Charoenporn Bouyam · Nannaphat Siribunyaphat · Yunyong Punsawad · Walailak University
ข้อจำกัดของข้อมูล
หน้านี้เป็นระเบียนบรรณานุกรมและข้อมูลจากบทคัดย่อ ยังไม่ใช่บทวิเคราะห์ฉบับเต็มหรือการประเมินคุณภาพงานวิจัย ควรตรวจสอบ DOI และเอกสารต้นฉบับก่อนนำไปอ้างอิง