Escolar Documentos
Profissional Documentos
Cultura Documentos
Anxiety Recognition of College Students Using A Takagi-Sugeno-Kang Fuzzy System Modeling Method and Deep Features
Anxiety Recognition of College Students Using A Takagi-Sugeno-Kang Fuzzy System Modeling Method and Deep Features
Recebido em 21 de agosto de 2020, aceito em 30 de agosto de 2020, data de publicação em 2 de setembro de 2020, data da versão atual em 14 de setembro de 2020.
Este trabalho foi apoiado em parte pelo Projeto do Fundo Nacional de Ciências Sociais sob a concessão 17BGL102.
RESUMO Os estudantes universitários constituem o grupo mais ativo, mais sensível e mais propenso a diversos problemas psicológicos na sociedade
contemporânea. Nos últimos anos, com a intensificação da competição social, incluindo diversas pressões como estudos, exames, perdas económicas,
perdas emocionais e emprego, a incidência de ansiedade, depressão e taxas de suicídio aumentou. Para efetivamente prestar atenção ao desenvolvimento
psicológico de estudantes universitários e fortalecer a educação em saúde mental, esta pesquisa propõe um método para identificar automaticamente a
ansiedade de estudantes universitários usando um sistema fuzzy Takagi-Sugeno-Kang (TSK) e características profundas. Primeiro, pré-processe o EEG
coletado de estudantes universitários.
Em segundo lugar, use a rede neural convolucional (CNN) para extrair recursos profundos dos dados de entrada. Finalmente, o sistema fuzzy TSK é usado
para classificar recursos para obter o resultado final do reconhecimento. Através de experimentos em conjuntos de dados padrão e conjuntos de dados feitos
pelo próprio, os resultados experimentais verificam a superioridade do método de identificação de ansiedade utilizado neste estudo. Os resultados
experimentais demonstram ainda que os recursos de profundidade possuem informações mais ricas do que os recursos tradicionais. A imunidade ao ruído
do sistema fuzzy TSK faz com que ele apresente bom desempenho de classificação e generalização. Os resultados do reconhecimento podem localizar
rapidamente alunos com transtornos de ansiedade e restringir o escopo da investigação para alunos com problemas psicológicos. O reconhecimento
automático da ansiedade dos estudantes universitários pode melhorar a eficiência das escolas e dos professores na investigação dos problemas psicológicos
dos estudantes. Esta pesquisa tem um valor de aplicação prática muito bom.
TERMOS DE INDEXAÇÃO Estudantes universitários, reconhecimento de ansiedade, sistema fuzzy TSK, características profundas.
I. INTRODUÇÃO A ansiedade os alunos tiram licença da escola, abandonam a escola ou cometem suicídio. Vários
é o principal problema de saúde mental dos estudantes universitários. Os estudantes estudantes universitários têm diferentes problemas psicológicos. É possível determinar
universitários são o esteio do desenvolvimento do país e a sua qualidade psicológica está os principais fatores que afetam os problemas psicológicos dos estudantes universitários
directamente relacionada com o nível de desenvolvimento futuro do país. Estudos o mais rápido possível, melhorando assim a saúde mental geral dos estudantes
demonstraram que a ansiedade é uma causa importante de saúde precária. Com o tempo, universitários. Melhorar a sua capacidade de resistir a contratempos melhorará a sua
um estado de saúde inferior tornar-se-á mais grave [1]–[3]. A ansiedade de longo prazo capacidade de adaptação à sociedade. É de grande importância melhorar suas
também é um fator importante que leva a muitas doenças crônicas. Em casos graves, pode personalidades e permitir que os estudantes universitários contemporâneos realizem
levar a fenômenos extremos, como automutilação e suicídio. todo o seu potencial e seu valor na vida. A identificação eficaz da ansiedade tornou-se a
base para a detecção precoce de grupos de indivíduos ansiosos e para a prestação
oportuna de medidas de assistência à saúde mental.
Estresse, ansiedade e depressão afetam diretamente a taxa de suicídio de estudantes
universitários. Doenças físicas e mentais causadas por ansiedade ou estresse tornaram-
se os principais motivos pelos quais a faculdade
O estudo das emoções através de sinais fisiológicos tem se tornado cada vez mais
O editor associado que coordena a revisão deste manuscrito e maduro. Vários algoritmos de reconhecimento inteligente são usados em vários campos
quem o aprovou para publicação foi Yizhang Jiang. [4]–[12], entre os quais
Este trabalho está licenciado sob uma licença Creative Commons Atribuição 4.0. Para obter mais informações, consulte https://creativecommons.org/licenses/by/4.0/ 159897
VOLUME 8, 2020
Machine Translated by Google
X. Meng, J. Zhang: Reconhecimento de ansiedade de estudantes universitários usando um método de modelagem de sistema difuso TSK e recursos profundos
métodos para reconhecimento de emoções são apresentados a seguir. uma vez por semestre e não é rigoroso. Em resumo, esta pesquisa propõe um
O laboratório do MIT liderado por Picard realizou uma série de experimentos de método de reconhecimento automático de ansiedade baseado em recursos
reconhecimento emocional com múltiplos parâmetros fisiológicos por meio de profundos e aprendizado de máquina [19]–[27]. O principal trabalho deste artigo
pré-processamento de sinais e algoritmos de reconhecimento de padrões. Eles é resumido a seguir.
extraíram 40 características dos cinco sinais fisiológicos registrados. Através de (1) Uma vez que os indicadores fisiológicos podem refletir mais
diferentes algoritmos e classificadores de seleção de características, a melhor verdadeiramente as emoções dos sujeitos, os dados do EEG são utilizados
taxa de reconhecimento alcançada foi de 82,5% [13]. O valor da pesquisa de como dados de identificação da ansiedade.
Picard é que ele explorou a viabilidade do reconhecimento de emoções com (2) Os métodos tradicionais de extração de recursos são fáceis de perder
base em múltiplos sinais fisiológicos. Para o reconhecimento de emoções, foi recursos de dados, o que afeta a precisão do reconhecimento final.
proposto um novo método de pesquisa e uma nova ideia de pesquisa, que teve Portanto, esta pesquisa usa o algoritmo de aprendizado profundo CNN para
um significado muito importante para pesquisas subsequentes. Posteriormente, extrair os recursos profundos das amostras de entrada. As informações da
o cálculo da emoção foi aplicado ao julgamento do estado geral do motorista no amostra original transportadas pelo recurso de profundidade são mais ricas.
ambiente de condução, e a matriz de projeção de Fisher foi combinada com o (3) O sistema fuzzy TSK é utilizado para a classificação final. O sistema é
discriminante linear para processar o sinal original [14]. Mais tarde, o laboratório simples de implementar e possui forte generalização. O resultado final da decisão
do MIT começou a desenvolver novas ferramentas para ajudar pacientes obtido tem um bom efeito de reconhecimento. O método de reconhecimento de
autistas. Eles desenvolveram dispositivos vestíveis que se comunicam com ansiedade utilizado neste estudo pode identificar efetivamente indivíduos que
telefones celulares sem fio, para que as pessoas com autismo pudessem potencialmente sofrem de ansiedade em um grupo de estudantes universitários.
entender seu estado e se ajustar a tempo. Em um estudo [15], o meio que induz
as emoções dos sujeitos é a música. A música utilizada foi escolhida pelos Isso reduz muito a carga de trabalho dos gestores de saúde mental dos
próprios sujeitos. Essas músicas são o que eles acham que podem representar estudantes universitários.
as quatro emoções de alegria, raiva, tristeza e prazer necessárias para o
experimento. Isso pode evocar memórias correspondentes. Eles coletaram
quatro sinais (EMG, ECG, SC e RSP) e os classificaram por meio de uma II. TRABALHOS RELACIONADOS
variedade de algoritmos. A melhor taxa de reconhecimento foi superior a 90%. A. INTRODUÇÃO À EMOÇÃO
Um estudo [16] relatou a indução das emoções dos sujeitos por meio de materiais A emoção, como manifestação concreta da emoção, tem resultados diferentes
de áudio e videoclipes. Eles coletaram quatro tipos de sinais fisiológicos de devido a estímulos internos ou externos relacionados à felicidade pessoal [28].
centenas de indivíduos e usaram o algoritmo da máquina de vetores de suporte A emoção é multidimensional, incluindo experiência, comportamento e respostas
(SVM) para classificar e reconhecer as quatro emoções. Eles aumentaram o fisiológicas [29]. A reação de cada pessoa a uma determinada emoção difere
número de assuntos do original para centenas. em vários graus [30]. As respostas emocionais das pessoas não mudarão
exatamente da mesma maneira no contexto de certas emoções. Por exemplo,
algumas pessoas tendem a perder a paciência quando estão ansiosas e
continuam falando. Algumas pessoas continuam comendo e não falam quando
estão ansiosas.
Eles descobriram que, usando o mesmo algoritmo, quando o número de tipos de No entanto, embora a diferença no desempenho externo seja grande, os sinais
reconhecimento de emoções aumentava, a taxa de reconhecimento caía fisiológicos internos irão mudar. Portanto, o reconhecimento de emoções requer
ligeiramente. Um estudo [17] propôs a construção de uma interface de uma combinação de múltiplos métodos. Da mesma forma, pessoas diferentes
experiência do usuário multidimensional para aumentar a sensação de presença têm tolerâncias e entendimentos subjetivos diferentes, e haverá diferenças em
social com base em predecessores. Eles usam clipes de filmes para induzir adequação ou excesso, aceitabilidade ou intolerabilidade, e compreensão ou
emoções. A categoria emoção foi 6 e a taxa de reconhecimento ideal foi superior incompreensibilidade [31].
a 70%. Um estudo [18] utilizou o International Affective Picture System (IAPS)
para induzir emoções correspondentes. Após a coleta e pré-processamento dos Embora a emoção seja uma atividade psicológica interna, ela ainda se manifesta
dados experimentais, o classificador de rede neural foi utilizado para classificar através de meios externos, como rosto, membros e tronco [32]. Na vida diária, a
6 emoções. maioria das pessoas possui métodos básicos para julgar as emoções umas das
outras, incluindo a observação de expressões faciais e gestos. No entanto, estes
Atualmente, o reconhecimento dos transtornos de ansiedade no são facilmente afetados pela consciência subjetiva da pessoa observada,
reconhecimento de emoções depende principalmente da observação cuidadosa especialmente quando a pessoa observada não está disposta a expressar suas
de professores, alunos e colegas de classe, bem como de pesquisas por emoções e não é fácil julgar com precisão suas emoções.
questionário. Existem muitas lacunas nesta abordagem. Uma delas é que há
poucos professores e muitos alunos, e é provável que ocorram alunos
potencialmente negligenciados com doenças mentais. A segunda é que o Como as emoções estão intimamente relacionadas com a saúde física e a
método de investigação pode não ser científico e eficaz, como é o caso dos vida normal, a realização do reconhecimento das emoções tem despertado cada
inquéritos por questionário, e nem necessariamente todos os alunos responderão vez mais o interesse dos investigadores. Por um lado, o reconhecimento de
com veracidade às perguntas de um questionário. A terceira é que a investigação emoções pode ser utilizado como meio auxiliar para o julgamento subjetivo das
não é um trabalho contínuo. Muitas vezes ocorre emoções; por outro lado, é também a base da investigação da inteligência
artificial
cardíaca e eletricidade da pele. ÿ Reconhecimento do desempenho do também conhecido como ansiedade situacional. Suas principais manifestações
estão apresentadas na TABELA 1.
comportamento emocional externo. Reconhecer através de expressões faciais,
entonação de voz, gestos e posturas ao falar. O modelo clássico de sistema de Os estudantes universitários contemporâneos ficam mais ou menos ansiosos
reconhecimento de emoções do usuário [33] é mostrado na FIGURA 1. no contexto da pressão social acelerada. A ansiedade é um processo de
crescimento que todos vivenciam. A ansiedade apropriada pode permitir que
estudantes universitários estimulem seu potencial original.
B. ANSIEDADE E SEUS EFEITOS Por exemplo, a ansiedade na fase inicial de um exame pode tornar a
aprendizagem mais eficiente e acelerar o ritmo de revisão.
A maioria das pessoas apresenta vários graus de ansiedade em suas vidas
Porém, se alguém ficar muito tempo em estado de ansiedade e seu humor não
diárias. Este estado é formado durante a evolução das pessoas. É uma espécie
melhorar, isso causará sérios danos ao estudante universitário, tanto física
de preocupação e proteção contra possíveis perigos. Portanto, a ansiedade
quanto mentalmente.
tem um lado positivo. Se alguém puder estar ciente da ameaça, poderá ajustar-
Ansiedade e depressão são inseparáveis e muitas vezes a ansiedade pode
se moderadamente. Se for possível desenvolver a confiança necessária para
desencadear depressão. Pesquisas com pacientes com depressão também
superá-la e obter alívio, a ansiedade terá um efeito estimulante óbvio. A
mostram que muitos pacientes deprimidos apresentam um estado de ansiedade,
ansiedade excessiva não só dura muito tempo, mas também afeta a vida
e a ansiedade pode ocorrer antes da depressão ocorrer. Não apenas os
normal. Reações de ansiedade graves e persistentes podem causar baixa
diagnósticos de ansiedade e depressão tendem a ocorrer ao mesmo tempo,
eficiência no trabalho e diminuição das atividades sociais. Portanto, é necessário
mas seus sintomas estão altamente correlacionados.
reconhecer as características da ansiedade para poder fazer julgamentos
Portanto, a nossa prevenção e intervenção na ansiedade também aliviará a
oportunos e precisos.
depressão individual. Existem muitos fatores que afetam a ansiedade. Em
termos de fatores fisiológicos, um grupo de estudos sobre gêmeos e
A ansiedade não é apenas um estado emocional composto, mas também
investigações de pedigree descobriu que há uma óbvia agregação familiar na
tem um significado motivacional. É um impulso interno, e indivíduos com humor
ansioso apresentam comportamentos externos e alterações físicas internas. ansiedade. Fatores genéticos respondem por 25% a 37% da causa e
desempenham um papel moderado.
Essas alterações são causadas pela hiperatividade do sistema nervoso
Fatores socioambientais, estilos de criação parental e a ocorrência de eventos
autônomo. Pessoas diferentes têm diferentes estados de ansiedade, diferentes
traumáticos precoces levam à ocorrência de problemas psicológicos individuais.
graus, diferentes causas de ansiedade e diferentes manifestações externas.
A estrutura familiar também é um fator que causa ansiedade. As famílias
No entanto, continua a haver consistência nas várias atuações. No sistema
monoparentais causaram problemas psicológicos devido à ruptura familiar
nervoso simpático, geralmente se manifesta como batimentos cardíacos mais
prematura.
rápidos, respiração mais profunda e outros.
modelos de classificação. Geralmente, os sinais fisiológicos usados para algoritmo de seleção de recursos usado. Finalmente, usamos o
reconhecimento de emoções incluem eletroencefalograma (EEG), classificador [37]–[40] para reconhecimento de classificação.
eletrocardiograma (ECG), frequência cardíaca, eletricidade da pele,
temperatura da pele, taxa de pulsação do volume sanguíneo, frequência III. RECONHECIMENTO DE TRANSTORNO DE ANSIEDADE BASEADO
respiratória e outros. Em aplicações reais, esses sinais fisiológicos NO SISTEMA TSK FUZZY E RECURSOS PROFUNDOS
precisam ser pré-processados, os dados de linha de base precisam ser A. PROCESSO DE RECONHECIMENTO DE TRANSTORNO DE ANSIEDADE
removidos e as operações de extração de recursos são necessárias antes BASEADO NO SISTEMA TSK FUZZY E RECURSOS PROFUNDOS
que possam ser inseridos no modelo de reconhecimento treinado. Os dados de reconhecimento de ansiedade utilizados neste estudo são
sinais de EEG. O método de feedback do estado emocional através de
D. RECONHECIMENTO DE ANSIEDADE COM BASE EM sinais EEG é autêntico e eficaz [41]–[44]. O processo de identificação
SINAIS FISIOLÓGICOS específico é mostrado na FIGURA 3.
Os sinais fisiológicos possuem características de objetividade e realidade
em cenários de aplicação prática, por isso são amplamente utilizados no
reconhecimento de emoções. O fluxograma do método de identificação da
ansiedade com base em sinais fisiológicos é apresentado na FIGURA 2.
K K K
ÿk (x) k k
0e = k (x) = µ˜ k (x) f (x) = µ˜ k (x)w0
K
k=1 f µk (x) k=1 k=1
k =1
(2)
onde
ÿk (x) = µA k (xi)
(3)
eu
eu=1
ÿk (x)
k µ˜ (x) = (4)
K
ÿk (x)
k =1
forma:
2 k ÿ (xi ÿ eu
exp( cµA
) (xi)
k = k
) (5)
eu
2d
eu
k
Os dois parâmetros c eu
e ÿ na kEq. (5) pode ser obtido usando
eu
lobo xji
k = j=1
c
eu
(6)
N
lobo
j=1
N
h · ujk (xji ÿ c j=1 k 2
eu
)
= (7)
ok , eu
N
lobo
j=1
As regras de inferência difusa do sistema difuso TSK são as Neste momento, a expressão da Eq. (2) passa a ser o seguinte:
seguintes:
T
y 0 = w˜ x˜ (10)
k k k
SE x1 for A1 ÿ x2 é A ÿ . . . ÿ xd é A
2 d
k k k
O método dos mínimos quadrados otimiza o parâmetro w ~ , e
ENTÃO sim =f (x) = w 0, k = 1, . . . ,K. (1)
a fórmula alvo obtida é a seguinte:
2
C N C
a T
Cada regra na Eq. (1) tem seu vetor de entrada correspondente x 1 minutoJ w˜ = 2 w
T
+ w~w~
T x˜i – ovelha jj
k w˜ ~j 2
x1, x2, · · · , xD . O conjunto difuso A d ÿ R = no espaço de j=1 eu=1 eu=1
k
é mapeado para o conjunto fuzzy entrada (x) ÿ R no espaço de saída. (11)
f Após uma série de operações, incluindo multiplicação, conjunção,
adição, disjunção, multiplicação, implicação e defuzzificação da saída. Use o método do multiplicador de Lagrange para derivar o
A expressão de saída final parâmetro w˜ j na Eq. (11) e defina sua derivada como 0. A expressão
ÿ1
N N
w T
~ j= ÿI((d+1)ÿK)×((d+1)ÿK) + xix i xiyij
eu=1 eu=1
(12)
de padrões e seu valor é a razão entre o número de amostras classificadas experimentais obtidos são apresentados na TABELA 4 e na FIGURA 5.
corretamente e o número total de amostras.
Na TABELA 4, o valor de cada coluna na linha 5 é maior do que nas linhas 1
C. EXPERIMENTO DE DADOS PADRÃO e 3. Isso mostra que não importa qual classificador seja usado, os resultados da
A fim de avaliar o efeito de diferentes métodos de extração de características e extração profunda de características são sempre os melhores. Comparando os 5
combinações de foco do classificador no reconhecimento da ansiedade, a precisão valores da 5ª linha, o valor da precisão da classificação obtido pelo modelo TSK
do reconhecimento e o desvio padrão de
FIGURA 5. O efeito de reconhecimento de cada modelo no conjunto de dados DEAP. Como o ambiente e o processo de coleta de conjuntos de dados caseiros
não possuem especificações DEAP para conjuntos de dados públicos,
sistema é o maior. Isso mostra que ao utilizar características de profundidade, inevitavelmente haverá algum ruído no processo de coleta de dados. Embora
dentre os resultados de classificação obtidos por diferentes classificadores, o algum pré-processamento seja realizado no conjunto de dados caseiro, pode
classificador fuzzy TSK utilizado neste estudo tem o melhor efeito. Como o ser visto pelos resultados experimentais mostrados na TABELA 5 e na
sistema fuzzy TSK usado neste artigo possui melhor imunidade a ruído, ele FIGURA 6 que o efeito de reconhecimento no conjunto de dados caseiro
pode reduzir a influência dos pontos de ruído. O sistema fuzzy TSK tem o não foi tão bom quanto no conjunto de dados público. No entanto, embora o
melhor efeito de reconhecimento. A segunda é a RBFNN. Isto mostra efeito geral de reconhecimento tenha diminuído, o efeito de classificação do
plenamente que, desde que os parâmetros da rede neural sejam selecionados classificador TSK ainda é melhor do que outros algoritmos de comparação. A
adequadamente, um bom efeito de classificação pode ser obtido. ordem é RBFNN, SVM, RF e KNN. A partir dos dados padrão, pode-se
observar que a estabilidade do algoritmo é consistente com a do conjunto de
O efeito de classificação do SVM não é muito diferente daquele do TSK e do dados públicos. A estabilidade do KNN e do RBFNN é boa, e a estabilidade
RBFNN. Comparados com SVM, TSK e RBFNN, RF e KNN são muito menos do TSK utilizado é média.
eficazes. É ainda explicado que quando diferentes classificadores de
reconhecimento de emoções são escolhidos, a precisão do reconhecimento
varia muito. Pode-se observar pelo parâmetro de desvio padrão que embora V. RESULTADOS E ANÁLISE DO EXPERIMENTO DE SIMULAÇÃO
o sistema fuzzy TSK utilizado neste artigo tenha o melhor reconhecimento Os problemas de saúde mental dos estudantes universitários causados por
diversos problemas sociais não podem ser ignorados. Estudantes universitários
sofrem com o isolamento domiciliar, o que afeta sua vida normal e seus [11] S. Wang, C. Tang, J. Sun e Y. Zhang, ''Detecção de micro-sangramento cerebral baseada
em rede neural densamente conectada'', Frontiers Neurosci., vol . 13 de maio de 2019,
estudos. Os problemas de saúde mental dos estudantes universitários
art. não. 422.
causados por tais questões não podem ser ignorados. Estudantes
[12] S.-H. Wang, S. Xie, X. Chen, DS Guttery, C. Tang, J. Sun e Y.-D. Zhang, ''Identificação do
universitários com baixas qualidades psicológicas são propensos a alcoolismo baseada em um modelo de aprendizagem por transferência AlexNet'',
problemas psicológicos como ansiedade, pânico e depressão, levando a Frontiers Psychiatry, vol. 10 de abril de 2019, art. não. 205 [13] RW Picard,
Computação Afetiva, vol. 167. Cambridge, MA, EUA:
comportamentos como cansaço do mundo e de estudar.
Imprensa do MIT, 1997, pág. 170.
Isso traz desafios ao acompanhamento psicológico do grupo. Para melhor [14] JA Healey e RW Picard, ''Detectando estresse durante tarefas de direção no mundo real
compreender a dinâmica psicológica dos alunos, é fundamental sempre usando sensores fisiológicos'', IEEE Trans. Intel. Transp. Sistema, vol. 6, não. 2, pp. 156–
166, junho de 2005.
identificar os alunos com ansiedade. Este estudo utiliza o sistema difuso
[15] J. Wagner, J. Kim e E. André, ''Dos sinais fisiológicos às emoções: Implementando e
TSK e recursos de profundidade para identificar automaticamente comparando métodos selecionados para extração e classificação de características'', em
pacientes ansiosos entre estudantes universitários. Através de Proc . Internacional IEEE. Conf. Multimedia Expo (ICME), julho de 2005, pp.
Os resultados experimentais demonstram ainda que os recursos de [17] F. Nasoz, K. Alvarez, CL Lisetti e N. Finkelstein, ''Reconhecimento de emoções a partir de
sinais fisiológicos usando sensores sem fio para tecnologias de presença'', Cognition,
profundidade possuem informações mais ricas do que os recursos tradicionais.
Technol . Trabalho, vol. 6, não. 1, pp. 4–14, fevereiro de 2004.
A imunidade ao ruído do sistema fuzzy TSK faz com que ele apresente [18] A. Haag, S. Goronzy, P. Schaich e J. Williams, ''Reconhecimento de emoções usando
bom desempenho de classificação e generalização. Ele pode identificar biossensores: primeiros passos em direção a um sistema automático'', em Affective
Dialogue Systems. Cham, Suíça: Springer, 2004, pp.
automaticamente estudantes universitários individuais que sofrem de
[19] P. Qian, Y. Chen, J.-W. Kuo, Y.-D. Zhang, Y. Jiang, K. Zhao, R. Al Helo, H. Friel, A.
ansiedade e pode fornecer aconselhamento psicológico direcionado e Baydoun, F. Zhou, JU Heo, N. Avril, K. Herrmann, R. Ellis, B. Traughber, RS Jones,
oportuno, o que é benéfico para a saúde física e mental e para o S .Wang, K.-H. Su e RF Muzic, ''Geração de tomografia computadorizada sintética
baseada em MDixon para correção de atenuação PET no abdômen e na pelve em
desenvolvimento coordenado dos alunos. Isso demonstra plenamente o
conjunto usando agrupamento difuso de transferência e classificação baseada em
valor da aplicação prática desta pesquisa. aprendizagem ativa'', IEEE Trans. Med. Imagem, vol. 39, não. 4, pp. 819–832, abril de
2020.
[20] Y. Jiang, K. Zhao, K. Xia, J. Xue, L. Zhou, Y. Ding e P. Qian, '' Um novo algoritmo de
REFERÊNCIAS
agrupamento difuso multitarefa distribuído para segmentação automática de imagens
[1] M. Nadeem, A. Ali e MA Buzdar, ''A associação entre a religiosidade muçulmana e a cerebrais de RM, '' J. Med. Sistema, vol. 43, não. 5, pág. 118, maio de 2019.
depressão, ansiedade e estresse de jovens adultos universitários'', J. Religion Health,
[21] P. Qian, C. Xi, M. Xu, Y. Jiang, K.-H. Su, S. Wang e RF Muzic, ''SSC-EKE: classificação
vol. 56, não. 4, pp. 1170–1179, agosto de 2017.
semi-supervisionada com extensa exploração de conhecimento'', Inf. Ciência, vol. 422,
[2] EG Lattie, SK Lipson e D. Eisenberg, “Tecnologia e saúde mental de estudantes
pp. 51–76, janeiro de 2018.
universitários: desafios e oportunidades”, Frontiers Psychiatry, vol. 10, pág. 246, abril de
[22] Y. Jiang, Z. Deng, F.-L. Chung, G. Wang, P. Qian, K.-S. Choi e S. Wang, ''Reconhecimento
2019.
de sinais EEG epilépticos usando um novo sistema fuzzy TSK multivisualização'', IEEE
[3] WA van Eeden, AM van Hemert, IVE Carlier, BW Penninx, P. Spinhoven e EJ Giltay,
Trans. Sistema Fuzzy, vol. 25, não. 1, pp. 3–20, fevereiro de 2017.
''Neuroticismo e cronicidade como preditores do curso de 9 anos de sintomas depressivos
[23] P. Qian, Y. Jiang, S. Wang, K.-H. Su, J. Wang, L. Hu e RF Muzic, ''Afinidade e penalidade
individuais'', J. Affect . Distúrbios, vol. 252, pp. 484–492, junho de 2019.
agrupamento espectral restringido em conjunto com total compatibilidade, flexibilidade
e robustez'', IEEE Trans. Rede Neural.
[4] S.-H. Wang, Y. Zhang, Y.-J. Li, W.-J. Jia, F.-Y. Liu, M.-M. Yang e Y.-D. Zhang, '' Detecção
Aprender. Sistema, vol. 28, não. 5, pp. 1123–1138, maio de 2017.
baseada em fatia única para a doença de Alzheimer via entropia wavelet e perceptron
[24] Y. Jiang, D. Wu, Z. Deng, P. Qian, J. Wang, G. Wang, F.-L. Chung, K.-S. Choi e S. Wang,
multicamadas treinados por otimização baseada em biogeografia, '' Multimedia Tools
''Classificação de convulsões de sinais EEG usando aprendizagem por transferência,
Appl., vol. 77, não. 9, pp. 10393–10417, maio de 2018.
aprendizagem semissupervisionada e sistema difuso TSK'', IEEE Trans. Sistema Neural.
Reabilitar. Eng., vol. 25, não. 12, pp. 2270–2284, dezembro de 2017.
[5] S. Wang, J. Sun, I. Mehmood, C. Pan, Y. Chen e Y. Zhang, '' Identificação de micro-
sangramento cerebral com base em uma rede neural convolucional de nove camadas
[25] P. Qian, K. Zhao, Y. Jiang, K.-H. Su, Z. Deng, S. Wang e RF Muzic, ''Transferência
com agrupamento estocástico, '' Computação de simultaneidade., Pract. Exp., vol. 32,
alavancada de conhecimento fuzzy c -Means para segmentação de imagem de textura
não. 1, janeiro de 2020.
com correspondência de protótipo de cluster auto-adaptável,'' Knowl.-Based Syst., vol .
[6] Y.-D. Zhang, VV Govindaraj, C. Tang, W. Zhu e J. Sun, ''Classificação de esclerose múltipla
130, pp. 33–50, agosto de 2017.
de alto desempenho por aumento de dados e modelo de aprendizagem por transferência
[26] K. Xia, H. Yin, P. Qian, Y. Jiang e S. Wang, ''Algoritmo de segmentação semântica do
AlexNet'', J. Med . Imagem. Informações de Saúde, vol. 9, não. 9, pp. 2012–2021,
fígado baseado em redes adversárias profundas melhoradas em combinação de função
dezembro de 2019.
de perda ponderada em imagens de tomografia computadorizada abdominal,' ' Acesso
[7] Y. Zhang, S. Wang, Y. Sui, M. Yang, B. Liu, H. Cheng, J. Sun, W. Jia, P. Phillips e JM
IEEE, vol. 96349–96358, 2019.
Gorriz, ''Abordagem multivariada para doença de Alzheimer -facilidade de detecção
usando entropia wavelet estacionária e otimização de enxame de partículas predador- [27] P. Qian, S. Sun, Y. Jiang, K.-H. Su, T. Ni, S. Wang e RF Muzic, ''Clustering de partição
presa,'' J. Alzheimer's Disease, vol. 65, não. 3, pp. 855–869, setembro de 2018. flexível de domínio cruzado com medida de diversidade e referência de conhecimento'',
Pattern Recognit., vol. 50, pp. 155–177, fevereiro de 2016.
[8] C. Kang, X. Yu, S.-H. Wang, D. Guttery, H. Pandey, Y. Tian e Y. Zhang, ''Uma estrutura de [28] JJ Gross e RF Muñoz, ''Regulação emocional e saúde mental'', Clin.
rede neural heurística baseada em lógica difusa para pontuação de imagens'', IEEE Psicol., Ciência. Prática, vol. 2, não. 2, pp. 151–164, 1995.
Trans. Fuzzy Syst., acesso antecipado, 13 de janeiro de 2020, doi: 10.1109/ [29] PJ Lang, ''As variedades de experiência emocional: Uma meditação sobre a teoria de
TFUZZ.2020.2966163. James-Lange'', Psychol. Rev., vol. 101, não. 2, pág. 211, 1994.
[9] S.-H. Wang, Y.-D. Zhang, M. Yang, B. Liu, J. Ramirez e JM Gorriz, ''Identificação unilateral [30] RJ Davidson, ''Estilo afetivo e transtornos afetivos: Perspectivas da neurociência afetiva'',
de perda auditiva neurossensorial com base na transformação wavelet complexa de Cognition Emotion, vol. 12, não. 3, pp. 307–330, maio de 1998.
árvore dupla de dupla densidade e regressão logística multinomial'', Integr . Eng. assistido
por computação, vol. 26, não. 4, pp. 411–426, setembro de 2019. [31] A. Amstadter, ''Regulação emocional e transtornos de ansiedade'', J. Anxiety
Distúrbios, vol. 22, não. 2, pp. 211–221, janeiro de 2008.
[10] S.-H. Wang, J. Sun, P. Phillips, G. Zhao e Y.-D. Zhang, '' Segmentação de imagem de [32] R. Cowie, E. Douglas-Cowie, N. Tsapatsoulis, G. Votsis, S. Kollias, W. Fellenz e JG Taylor,
radar de abertura sintética polarimétrica por rede neural convolucional usando unidades ''Reconhecimento de emoção na interação humano-computador'', IEEE Signal Process.
de processamento gráfico, '' J. Real-Time Image Process., vol. 15, não. 3, pp. 631–642, Mag., vol. 18, não. 1, pp. 32–80, janeiro de 2001.
outubro de 2018.
[33] N. Bianchi-Berthouze e CL Lisetti, ''Modelagem de expressão multimodal da experiência subjetiva [48] T. Takagi e M. Sugeno, ''Identificação difusa de sistemas e sua
afetiva do usuário'', User Model. Adaptado ao usuário aplicações para modelagem e controle,'' IEEE Trans. Syst., Homem, Cybern.,
Interagir., vol. 12, não. 1, pp. 49–84, 2002. vol. SMC-15, não. 1, pp. 116–132, fevereiro de 1985.
[34] M. Dash e H. Liu, ''Seleção de recursos para classificação'', Intell. Dados [49] EH Mamdani, ''Aplicação da lógica fuzzy para aproximar o raciocínio
Análise, vol. 1, nº. 1–4, pp. 131–156, 1997. usando síntese linguística,'' IEEE Trans. Computação, vol. C-26, não. 12,
[35] M. Kudo e J. Sklansky, ''Comparação de algoritmos que selecionam recursos para classificadores pp. 1182–1191, dezembro de 1977.
de padrões,'' Pattern Recognit., vol. 33, não. 1, pp. [50] N. Ahmad, M. Hanmandlu e MF Azeem, '' Generalização de adaptação
Janeiro de 2000. sistemas de inferência neuro-fuzzy,'' IEEE Trans. Rede Neural, vol. 11, não. 6,
[36] K. Kira e LA Rendell, '' Uma abordagem prática para seleção de recursos '', pp. 1332–1346, novembro. 2000.
em Proc. 9º Int. Oficina Mach. Aprender. San Mateo, CA, EUA: Morgan [51] X. Zhang, W. Huang, X. Lin, L. Jiang, Y. Wu e C. Wu, '' Complexo
Kaufmann, 1992, pp. algoritmo de reconhecimento de imagem baseado no modelo de floresta aleatória imune, '' Soft
[37] V. Vapnik, A Natureza da Teoria da Aprendizagem Estatística. Nova York, NY, EUA: Computação, vol. 24, não. 16, pp. 12643–12657, agosto de 2020.
Springer-Verlag, 1995, pp.
[38] SZ Dadaneh, ER Dougherty e X. Qian, ''Classificação bayesiana ideal com valores ausentes'',
IEEE Trans. Processo de sinal., vol. 66, não. 16,
pp. 4182–4192, agosto. 2018.
[39] L. Peterson, “K-vizinho mais próximo”, Scholarpedia, vol. 4, não. 2, pág. 1883,
2009. XIANGMIN MENG está atualmente buscando o
ÿ
[40] K. Aslan, H. Bozdemir, C. ÿahin, SN Ogulata e R. Erol, '' Um modelo de rede neural de função de Ph.D. licenciatura pela Faculdade de Economia
base radial para classificação de epilepsia usando e Gestão, Universidade de Aeronáutica e Astronáutica
Sinais de EEG'', J. Med. Sistema, vol. 32, não. 5, pp. 403–408, outubro de 2008. de Nanjing. Ela publicou cinco
[41] R. Bina e D. Harrington, '' Preditores diferenciais de depressão e ansiedade pós-parto: versão
artigos acadêmicos em revistas nacionais/internacionais
hebraica da escala de depressão pós-natal de Edimburgo nais. Seus interesses de pesquisa incluem eletro-
validade de construto de estrutura de dois fatores,'' Maternal Child Health J., vol. 21,
análise cefalográfica e rede social e suas
Não. 12, pp. 2237–2244, dezembro de 2017.
formulários.
[42] NC Jacobson e MG Newman, ''Ansiedade e depressão como fatores de risco bidirecionais um
para o outro: uma meta-análise de estudos longitudinais''
Psicol. Boi., vol. 143, não. 11, pp. 1155–1200, 2017.
[43] JM Hettema, MC Neale e KS Kendler, ''Uma revisão e meta-análise da epidemiologia genética
dos transtornos de ansiedade'', Amer. J. Psiquiatria, vol. 158, não. 10, pp. 1568–1578, outubro
de 2001.
[44] KS Kendler, J. Myers, CA Prescott e MC Neale, ''A epidemiologia genética de medos irracionais
JIE ZHANG é atualmente Professor Catedrático na
e fobias em homens'', Arch. General Psiquiatria,
Universidade de Artes de Nanjing, China, onde
voo. 58, não. 3, pág. 257, março. 2001
[45] L. Eldé e N. Trendafilov, '' PCA semi-esparso, '' Psychometrika, vol. 84,
também é Reitor Associado. Ela publicou mais
mais de 30 artigos acadêmicos em publicações nacionais/internacionais
não. 1, pp. 164–185, 2019.
[46] C. Wan, Y. Peng, K. Xiao, X. Liu, T. Jiang e D. Liu, ''Um modelo LDA restrito por associação para diários. Seus interesses de pesquisa incluem redes
extração conjunta de aspectos e opiniões do produto'', Inf . Ciência, vol. 519, pp. 243–259, sociais e gestão e suas aplicações.
maio de 2020.
[47] Z. Deng, K.-S. Choi, F.-L. Chung e S. Wang, ''Modelagem fuzzy TSK escalável para conjuntos de
dados muito grandes usando aproximação de bola envolvente mínima''
IEEE Trans. Sistema Fuzzy, vol. 19, não. 2, pp. 210–226, abril de 2011.