ข้อมูลจากบทคัดย่อ
ยังไม่มีสรุปภาษาไทยสำหรับระเบียนนี้
ด้านล่างเป็นบทคัดย่อต้นฉบับภาษาอังกฤษจากข้อมูลบรรณานุกรม โปรดตรวจบทความต้นฉบับก่อนอ้างอิง
Self-imagined emotional imagery, in which individuals internally generate emotional states without external induction, plays a key role in shaping affective brain–computer interface (BCI) systems. Robust generalization across individuals is challenging due to significant variability in EEG patterns. This study evaluates a multi-domain electroencephalography (EEG) decoding framework for self-imagined emotion recognition, integrating time–frequency features, functional connectivity, effective connectivity, and subject-specific calibration. EEG data were collected from 38 participants and categorized into four emotional conditions using the valence–arousal model. Time–frequency features were extracted using the wavelet transform; functional connectivity was assessed using the phase locking value (PLV) and Pearson’s correlation; and effective connectivity was estimated using Granger causality. For comparison, a two-dimensional convolutional neural network (CNN) based on the continuous wavelet transform was implemented. Under pooled sample-wise cross-validation, PLV-based features combined with a support vector machine (SVM) achieved 97.0% accuracy, while the CNN reached 94.75%. Under leave-one-subject-out evaluation, accuracy declined to approximately 25–30%, indicating limited generalization to unseen participants. With subject-specific calibration using 75% of the target participant’s data, the SVM achieved 95.0% accuracy. The results support the recognition of four emotional conditions under the evaluated protocol when data from the target participant are available. However, cross-subject generalizability remains a significant limitation. As the study was conducted under controlled experimental conditions, further research involving independent populations and experimental settings is necessary to evaluate the framework’s robustness and applicability.
เหตุผลที่อยู่ในฐานติดตาม
ระเบียนนี้ได้รับ Impact Signal 72/100 จากความใหม่ แหล่งเผยแพร่ ความร่วมมือ และสัญญาณในข้อมูลบรรณานุกรม คะแนนนี้ใช้จัดลำดับการติดตาม ไม่ใช่การตัดสินคุณภาพงานวิจัย
ประเด็นที่เกี่ยวข้อง: Emotion and Mood Recognition · EEG and Brain-Computer Interfaces · Gaze Tracking and Assistive Technology
บทบาทของนักวิจัยและสถาบันไทย
Charoenporn Bouyam · Nannaphat Siribunyaphat · Bukhoree Sahoh · Yunyong Punsawad · Walailak University
ข้อจำกัดของข้อมูล
หน้านี้เป็นระเบียนบรรณานุกรมและข้อมูลจากบทคัดย่อ ยังไม่ใช่บทวิเคราะห์ฉบับเต็มหรือการประเมินคุณภาพงานวิจัย ควรตรวจสอบ DOI และเอกสารต้นฉบับก่อนนำไปอ้างอิง