Abstract—Estimating emotional state

Abstract—Estimating emotional states in music listening basedon electroencephalogram (EEG) has been capturing the attentionof researchers in the past decade. Although deep belief network(DBN) has witnessed the success in various domains includingearly works in emotion recognition based on EEG, it remainsunclear whether DBN could improve emotion classification inmusic domains, especially in dynamic strategy that considerstime-varying characteristics of emotion. This paper presents anearly study of applying DBNs to improve emotion recognitionin music listening where emotions were annotated continuouslyin time by subjects. Our subject-dependent results usingstratified 10-fold cross-validation strategy suggested that DBNscould improve performance in valence classification with fractaldimension (FD), power spectral density (PSD), and discretewavelet transform (DWT) features and improve performance inarousal classification with FD and DWT features. Furthermore,we found that the size of sliding window affected classificationaccuracies when using features in time (FD) and time-frequency(DWT) domains, while smaller window (1–4 seconds) couldachieve higher performance compared with a larger window (5–8seconds).

0/5000

原始語言: -

目標語言: -

結果 (繁體中文) 1: [復制]

復制成功！

總部設在聽音樂摘要：估計情緒狀態 腦電圖（EEG）已捕獲注意 研究人員在過去的十年。雖然堅定信念網絡 （DBN）見證了各個領域，包括成功的 基於腦電的情感識別早期的作品，但它仍然 不清楚DBN能否改善的情感類別 的音樂領域，尤其是在考慮動態策略 情感的時變特性。本文提出一種 採用動態貝葉斯改善情緒識別的早期研究 中收聽音樂，其中的情緒連續註釋 在時間科目。使用我們的主題相關的結果 分層10倍交叉驗證策略建議，動態貝葉斯網 可以改善與分形價分類性能 尺寸（FD），功率譜密度（PSD），和離散 小波變換（DWT）的特性和提高性能 與FD和DWT特徵覺醒分類。此外， 我們發現，滑動窗口的影響分類的大小 在時間使用時的功能（FD）和時間頻率精度 （DWT）結構域，而較小的窗口（1-4秒），可以 用較大的窗相比實現更高的性能（5 -8 秒）。

正在翻譯中..

結果 (繁體中文) 2:[復制]

復制成功！

摘要—基於音樂聆聽的估算情緒狀態 在腦電圖（EEG）已經捕獲注意力 在過去的十年裡，研究人員。雖然深度信念網路 （DBN）在各個領域都取得了成功，包括 基於腦電圖的情感識別的早期工作，它仍然 不清楚DBN是否能改善情感分類 音樂領域，特別是在動態策略，考慮 情緒的時變特徵。本文提出 應用DPN提高情感識別的早期研究 在音樂聆聽中，情緒不斷被點音 時間由主題。我們使用與主題相關的結果 分層 10 倍交叉驗證策略建議 DPN 可以提高分形的價分分類性能 尺寸（FD）、功率譜密度（PSD）和離散 小波變換（DWT）功能，提高 使用 FD 和 DWT 功能進行喚醒分類。此外 我們發現滑動視窗的大小影響分類 使用時間要素（FD）和時間頻率時的精度 （DWT）域，而較小的視窗（1⁄4 秒）可以 與更大的視窗（5⁄8）相比，實現更高的性能 秒）。

正在翻譯中..

結果 (繁體中文) 3:[復制]

復制成功！

音樂聽覺中情感狀態的抽象估計 關於腦電圖（EEG）已經引起人們的注意 過去十年的研究人員。縱然深信不疑 （DBN）在各個領域都取得了成功，包括 早期的基於EEG的情緒識別工作 不清楚DBN是否能改善情緒分類 音樂領域，特別是考慮 情緒的時變特徵。本文提出了一個 應用DBNs提高情緒識別能力的初步研究 在音樂中，情感被不斷地詮釋 按時按科目。我們的受試者依賴結果使用 分層10倍交叉驗證策略表明 利用分形提高價態分類的效能 維度（FD）、功率譜密度（PSD）和離散 小波變換（DWT）的特徵及改進 具有FD和DWT特徵的喚醒分類。此外， 我們發現滑動窗口的大小影響分類 在時間（FD）和時間頻率上使用特徵時的精度 （DWT）域，而較小的視窗（1-4秒）可以 與更大的視窗（5–8）相比，獲得更高的效能 秒）。

正在翻譯中..

其它語言

本翻譯工具支援: 世界語, 中文, 丹麥文, 亞塞拜然文, 亞美尼亞文, 伊博文, 俄文, 保加利亞文, 信德文, 偵測語言, 優魯巴文, 克林貢語, 克羅埃西亞文, 冰島文, 加泰羅尼亞文, 加里西亞文, 匈牙利文, 南非柯薩文, 南非祖魯文, 卡納達文, 印尼巽他文, 印尼文, 印度古哈拉地文, 印度文, 吉爾吉斯文, 哈薩克文, 喬治亞文, 土庫曼文, 土耳其文, 塔吉克文, 塞爾維亞文, 夏威夷文, 奇切瓦文, 威爾斯文, 孟加拉文, 宿霧文, 寮文, 尼泊爾文, 巴斯克文, 布爾文, 希伯來文, 希臘文, 帕施圖文, 庫德文, 弗利然文, 德文, 意第緒文, 愛沙尼亞文, 愛爾蘭文, 拉丁文, 拉脫維亞文, 挪威文, 捷克文, 斯洛伐克文, 斯洛維尼亞文, 斯瓦希里文, 旁遮普文, 日文, 歐利亞文 (奧里雅文), 毛利文, 法文, 波士尼亞文, 波斯文, 波蘭文, 泰文, 泰盧固文, 泰米爾文, 海地克里奧文, 烏克蘭文, 烏爾都文, 烏茲別克文, 爪哇文, 瑞典文, 瑟索托文, 白俄羅斯文, 盧安達文, 盧森堡文, 科西嘉文, 立陶宛文, 索馬里文, 紹納文, 維吾爾文, 緬甸文, 繁體中文, 羅馬尼亞文, 義大利文, 芬蘭文, 苗文, 英文, 荷蘭文, 菲律賓文, 葡萄牙文, 蒙古文, 薩摩亞文, 蘇格蘭的蓋爾文, 西班牙文, 豪沙文, 越南文, 錫蘭文, 阿姆哈拉文, 阿拉伯文, 阿爾巴尼亞文, 韃靼文, 韓文, 馬來文, 馬其頓文, 馬拉加斯文, 馬拉地文, 馬拉雅拉姆文, 馬耳他文, 高棉文, 等語言的翻譯.