อุปกรณ์สวมใส่และการเรียนรู้ของเครื่องเพื่อปรับปรุงแรงจูงใจของนักวิ่งจากมุมมองเชิงอารมณ์ ตอนที่ 2

3.5. การสร้างแบบจำลองการรับรู้

เป้าหมายคือการสร้างแบบจำลองการจำแนกประเภทที่อธิบายไว้และเปรียบเทียบประสิทธิภาพเพื่อเลือกแนวทางที่ดีที่สุดในการรับรู้อารมณ์ อัลกอริธึมการเรียนรู้ของเครื่องห้าประเภทได้รับการพิจารณา: K-ใกล้ที่สุด (KNN), ฟอเรสต์สุ่ม (RF), เพอร์เซปตรอนหลายชั้น (MLP), ตัวแยกประเภทเวกเตอร์สนับสนุนเชิงเส้น (LSVC) และการเพิ่มการไล่ระดับสี (GB) อัลกอริธึมเหล่านี้บางส่วนเคยใช้มาก่อนซึ่งให้ผลลัพธ์ที่ดีในการรับรู้อารมณ์ [60,62,67] อย่างไรก็ตาม เรายังพิจารณาถึงความเป็นไปได้ที่การใช้อัลกอริธึมเฉพาะตัวไม่ใช่ตัวเลือกที่ดีที่สุดสำหรับการสร้างแบบจำลองการจำแนกประเภทต่างๆ ดังนั้นจึงมีการศึกษาอัลกอริธึมการเรียนรู้ของเครื่องที่ดีที่สุดสำหรับแต่ละรุ่นด้วย

คลิกที่ความเหนื่อยล้าเรื้อรัง

【สำหรับข้อมูลเพิ่มเติม:george.deng@wecistanche.com / WhatsApp:8613632399501】

ก่อนที่จะเปรียบเทียบอัลกอริธึมต่างๆ โมเดลผู้สมัครได้รับการฝึกอบรมโดยใช้การเรียงสับเปลี่ยนคุณลักษณะต่างๆ และการกำหนดค่าไฮเปอร์พารามิเตอร์ที่แตกต่างกัน เพื่อค้นหาตัวเลือกที่ดีที่สุดจากมุมมองการจัดหมวดหมู่ การประเมินการกำหนดค่าดำเนินการโดยใช้อัลกอริธึมการค้นหาแบบสุ่มที่จัดทำโดย Scikit Learn [68] และการฝึกอบรมโดยดำเนินการตรวจสอบข้ามแบบซ้ำ 5- เท่า การใช้แนวทางการตรวจสอบความถูกต้องนี้มีความสำคัญอย่างยิ่งเมื่อแบบจำลองถูกสร้างขึ้นจากชุดข้อมูลขนาดเล็ก ดังเช่นในกรณีนี้ เนื่องจากจะหลีกเลี่ยงการทำการทดสอบกับตัวอย่างที่เป็นตัวแทนได้ไม่ดี การตรวจสอบความถูกต้องข้ามซ้ำจะช่วยลดข้อผิดพลาดในการติดตั้งมากเกินไปซึ่งเกิดจากการทำงานกับชุดข้อมูลขนาดเล็กเหล่านี้ และปรับปรุงประสิทธิภาพของแบบจำลอง

ตารางที่ 3 แสดงผลลัพธ์ที่ได้รับสำหรับตัวเลือกการจำแนกประเภทต่างๆ (4-ระดับ และ มีความสุข/เศร้า/รุนแรง/ผ่อนคลาย ตามลำดับ) สำหรับแต่ละอัลกอริธึมการเรียนรู้ของเครื่องทั้งห้าได้ถูกนำมาใช้เพื่อสร้างโมเดลการจดจำที่สอดคล้องกัน (คอลัมน์ที่สองของตาราง) โมเดลเหล่านี้ได้รับการกำหนดค่าด้วยการป้อนข้อมูลคุณลักษณะที่เหมาะสมที่สุด (คอลัมน์ที่สามของตาราง) และไฮเปอร์พารามิเตอร์ จากนั้น เมตริกการจำแนกประเภทสี่รายการที่มักใช้ในการประเมินแบบจำลองได้รับการคำนวณสำหรับโซลูชันต่างๆ ได้แก่ ความแม่นยำ F1 ความแม่นยำ และการเรียกคืน (ตั้งแต่คอลัมน์ที่สี่ถึงคอลัมน์ที่เจ็ด) เรามีความสนใจเป็นพิเศษในการวิเคราะห์ผลลัพธ์คะแนน F1- ซึ่งคำนวณจากเมตริกความแม่นยำและการจดจำ คะแนน F1- ให้การวัดที่เชื่อถือได้เมื่อชุดข้อมูลที่ใช้สำหรับการสร้างแบบจำลองไม่สมดุล ดังในกรณีนี้ ชุดข้อมูลที่ใช้ในงานนี้ประกอบด้วยตัวอย่างที่เป็นบวก 25% (อารมณ์ที่จะรับรู้) และตัวอย่างที่เป็นลบ 75% (อารมณ์ที่เหลือ) ดังนั้น คะแนนความแม่นยำจึงสามารถให้การประมาณค่าที่มองโลกในแง่ดีมากเกินไปของความสามารถของตัวแยกประเภทใน ชั้นเรียนส่วนใหญ่ ในที่สุด หลังจากวิเคราะห์เมตริกการจำแนกประเภทแล้ว โมเดลการเรียนรู้ของเครื่องที่ดีที่สุดก็ถูกเน้นเป็นสีเขียว

ในกรณีของแบบจำลองการจำแนกประเภทหลายคลาส ({{0}}คลาส ตัวเลือก 1) ผลลัพธ์คะแนน F1- ของแบบจำลองทั้งห้าที่สร้างขึ้นนั้นแย่มาก โมเดลฟอเรสต์สุ่มโดดเด่นกว่าตัวอื่นๆ เล็กน้อย ด้วยคะแนน F1- ที่ 0.288 แต่โดยทั่วไปแล้ว ผลลัพธ์จะคล้ายกันมาก (ดูเหมือนว่าจะมีความสัมพันธ์กับจำนวนคลาสที่โมเดลจะจดจำได้) . ดังนั้นความสามารถในการจดจำของรุ่นเหล่านี้จึงต่ำกว่าที่ต้องการในการกำหนดอารมณ์ของผู้ใช้

ในกรณีของตัวเลือกที่ 2 การใช้อัลกอริธึมแมชชีนเลิร์นนิงที่แตกต่างกันเพื่อรับรู้อารมณ์ของแต่ละควอแดรนท์รัสเซลดูเหมือนจะเป็นตัวเลือกที่ดี โดยเฉพาะอย่างยิ่ง แบบจำลองเพื่อนบ้านที่ใกล้ที่สุด k ได้รับการคัดเลือกเพื่อการรับรู้ควอแดรนท์เศร้าและผ่อนคลาย และแบบจำลองฟอเรสต์สุ่มสำหรับควอแดรนท์มีความสุขและก้าวร้าว คะแนน F1- ของรุ่นที่เลือกมีค่าระหว่าง 0.61 ถึง 0.65 ผลลัพธ์ของตัวเลือกที่สองนี้ปรับปรุงผลลัพธ์ที่ได้รับใน 4-แนวทางแบบชั้นเรียน แม้ว่าผลลัพธ์เหล่านี้อาจดูต่ำเกี่ยวกับสิ่งที่ต้องการในปัญหาการเรียนรู้ของเครื่อง แต่ก็คล้ายคลึงกับผลลัพธ์ที่ได้รับในข้อเสนอการรับรู้อารมณ์อื่นๆ ที่อิงตามข้อมูลทางสรีรวิทยา [60,62]

4. DJ-Running แอพพลิเคชั่นแนะนำเพลงตามอารมณ์

เป้าหมายของโครงการ DJ-Running คือการเพิ่มแรงจูงใจของนักวิ่งผ่านเพลง Spotify โมเดลอุปกรณ์สวมใส่และการเรียนรู้ของเครื่องที่นำเสนอในส่วนที่แล้วใช้เพื่อกำหนดอารมณ์ของนักวิ่งในระหว่างการฝึกซ้อม จากนั้นจึงวิเคราะห์อารมณ์เหล่านี้เพื่อเลือกเพลงที่จะเล่นในแต่ละช่วงเวลา

รูปที่ 4 แสดงภาพรวมระดับสูงขององค์ประกอบทางเทคโนโลยีที่เกี่ยวข้องกับการแก้ปัญหาขั้นสุดท้าย ดังที่แสดงทางด้านซ้ายของภาพ อุปกรณ์ของนักวิ่งประกอบด้วยแอปพลิเคชันสวมใส่และมือถือที่จะเล่นเพลงที่แนะนำระหว่างการฝึกซ้อม อุปกรณ์สวมใส่จะตรวจสอบพารามิเตอร์ทางสรีรวิทยาของนักวิ่งและส่งไปยังแอปพลิเคชันเป็นระยะผ่านการเชื่อมต่อบลูทูธ แอปพลิเคชันจะประมวลผลข้อมูลเซ็นเซอร์เหล่านี้ภายในเพื่ออนุมานอารมณ์ของนักวิ่ง กำหนดเพลงที่จะเล่นตามอารมณ์เหล่านั้น และเชื่อมต่อกับบริการสตรีมมิ่ง Spotify เพื่อเล่น

แอปพลิเคชันประกอบด้วยโมดูลซอฟต์แวร์สี่โมดูล: องค์ประกอบการสื่อสาร องค์ประกอบการประมวลผลข้อมูล ระบบผู้ตัดสินใจตามอารมณ์ และผู้แนะนำเพลงตามอารมณ์ ส่วนประกอบแรกทั้งสองมีหน้าที่รับผิดชอบในการจัดการการสื่อสารไร้สายกับอุปกรณ์สวมใส่ การรับข้อมูลเซ็นเซอร์ และกรองข้อมูลเหล่านั้นก่อนที่จะจัดเก็บไว้ในที่เก็บข้อมูลในเครื่อง การกรองจะขึ้นอยู่กับกระบวนการที่อธิบายไว้ในรูปที่ 3 และมีเป้าหมายเพื่อแยกคุณลักษณะที่เกี่ยวข้อง (คุณลักษณะทางสถิติและเหตุการณ์) ออกจากข้อมูลที่ได้รับ อีกสองโมดูลมีหน้าที่รับผิดชอบในการรับรู้อารมณ์ของนักวิ่งและสำหรับการเล่นเพลงที่สร้างแรงบันดาลใจตามอารมณ์เหล่านั้นตามลำดับ รายละเอียดทางเทคนิคของทั้งสองระบบมีอธิบายไว้ในย่อหน้าต่อไปนี้

ระบบผู้ตัดสินใจตามอารมณ์จะรวมแบบจำลองการจำแนกประเภทไบนารีสี่แบบที่อธิบายไว้ในส่วนที่ 3 แบบจำลองเหล่านี้จะกำหนดอารมณ์ที่นักวิ่งน่าจะรู้สึกในช่วงเวลาที่กำหนด (ทุกๆ 30 วินาที) จากข้อมูลที่สวมใส่ได้ ตัวอย่างเช่น ผลลัพธ์ ((true, false, false, false), (0.71, 0.{{10}}3, 0.13 , 0.33))) แสดงว่านักวิ่งรู้สึกพอใจกับความน่าจะเป็นที่ 0.71 ความน่าจะเป็นที่น่าเศร้า ก้าวร้าว และผ่อนคลาย (0.03, 0.13 และ 0.33 ตามลำดับ) ต่ำกว่าเกณฑ์การจำแนกประเภท ดังนั้น ความรู้สึกของนักวิ่งจึงจัดว่าไม่เศร้า ไม่ก้าวร้าว และไม่ผ่อนคลาย ลำดับอารมณ์ที่รับรู้ระหว่างการฝึกซ้อมช่วยให้ระบบสามารถกำหนดอารมณ์ของนักวิ่งและการเปลี่ยนแปลงทางอารมณ์ที่เธอ/เขาต้องทนทุกข์ทรมานในช่วงเวลานั้น ข้อมูลทางอารมณ์นั้นจะถูกนำมาใช้เพื่อกำหนดอารมณ์ที่จะกระตุ้นในตัวนักวิ่งผ่านเสียงเพลง เช่น เมื่อนักวิ่งเครียด ระบบควรตัดสินใจว่าเพลงที่จะเล่นควรจะผ่อนคลาย จากนั้น เมื่อผ่อนคลายแล้ว ระบบจะแนะนำว่าเพลงควรมีแรงจูงใจเพื่อสร้างผลเชิงบวกต่ออารมณ์ของนักวิ่ง การตัดสินใจตามอารมณ์เหล่านี้ทำโดยกลไกตามกฎ โดยผสมผสานชุดกฎที่กำหนดไว้โดยความร่วมมือกับนักวิ่งซึ่งเป็นส่วนหนึ่งของโปรเจ็กต์ DJ-Running คำอธิบายที่สมบูรณ์ของวิธีการที่ใช้ในการกำหนดกฎเหล่านี้สามารถพบได้ใน [46]

ผู้แนะนำเพลงตามอารมณ์จะกำหนดเพลงเฉพาะที่จะเล่นโดยแอปพลิเคชันมือถือจากอารมณ์ที่แนะนำโดยผู้มีอำนาจตัดสินใจ ผู้แนะนำต้องการฐานข้อมูลเพลงที่ได้รับการติดป้ายกำกับก่อนหน้านี้จากมุมมองทางอารมณ์ ในงานนี้ ฐานข้อมูลนี้ถูกสร้างขึ้น (และอัปเดตเป็นระยะ) จากบริการที่มีอยู่ในโครงสร้างพื้นฐาน RIADA [47] RIADA นำเสนอพื้นที่เก็บข้อมูลของค่ายเพลงอารมณ์ที่กำหนดอารมณ์ที่เพลง Spotify แต่ละเพลงอาจจะสร้างขึ้นในตัวผู้ฟัง (มีเพลงมากกว่า 50 ล้านเพลงแล้ว)

ด้านขวาของรูปที่ 4 แสดงภาพรวมของส่วนประกอบ RIADA ที่เกี่ยวข้องกับการสร้างฉลาก ค่ายเพลงเหล่านี้อิงตามรูปแบบอารมณ์ของรัสเซลและพิจารณาจากข้อมูลเมตาและคุณสมบัติเสียงของเพลง ระบบเรียกข้อมูลเพลงจะโต้ตอบกับแพลตฟอร์มที่เน้นการบริการของ Spotify เพื่อเข้าถึงแคตตาล็อกเพลง ตลอดจนคุณสมบัติเมตาดาต้าและเสียงของเพลงเหล่านี้ จากนั้น ระบบจดจำอารมณ์เพลงจะกำหนดอารมณ์ที่สร้างโดยแต่ละเพลงโดยอัตโนมัติจากคุณสมบัติเสียง อารมณ์เหล่านี้ได้รับการแปลเป็นป้ายกำกับที่จัดเก็บไว้ในฐานข้อมูลของโครงสร้างพื้นฐาน RIADA การรู้จำอารมณ์เพลงนั้นใช้เทคนิคการเรียนรู้ของเครื่องและได้รับการตั้งโปรแกรมให้รองรับกระบวนการใส่คำอธิบายประกอบขนาดใหญ่ ดังรายละเอียดใน [47] ในที่สุด โครงสร้างพื้นฐานจะเผยแพร่ API ที่ช่วยให้แอปพลิเคชันสามารถเข้าถึงฐานข้อมูลเพลงที่มีป้ายกำกับได้

แกนหลักของการแนะนำเพลงตามอารมณ์คืออัลกอริธึมเพื่อนบ้านที่ใกล้ที่สุดที่ทำงานบนฐานข้อมูลท้องถิ่นของค่ายเพลงเพื่อค้นหาเพลงที่จะเล่น ผู้แนะนำจะสร้างพื้นที่ค้นหาจากคุณลักษณะเสียงของเพลงและป้ายกำกับอารมณ์ที่มีอยู่ในฐานข้อมูล แต่ละจุดของพื้นที่สอดคล้องกับเพลงที่เป็นรูปธรรม เมื่อได้รับคำขอคำแนะนำใหม่ ผู้แนะนำจะแปลอารมณ์ความรู้สึกที่ป้อน (อารมณ์ที่นักวิ่งจะสร้างขึ้น) ไปยังจุดค้นหาในพื้นที่ คำแปลนี้คำนวณโดยใช้แบบจำลองการถดถอยตามคุณลักษณะเสียงของเพลงและเอฟเฟ็กต์ที่คุณลักษณะบางอย่างเหล่านี้สามารถสร้างให้ผู้ฟังได้รับจากมุมมองทางอารมณ์ จากนั้นอัลกอริธึมพื้นที่ใกล้เคียงจะถูกใช้เพื่อค้นหาชุดเพลงที่เข้าข่าย (เพลงที่อยู่ใกล้กับจุดค้นหา) ผู้สมัครเหล่านี้จะถูกกรองในภายหลังเพื่อละทิ้งเพลงที่คล้ายกันหรือลบเพลงที่ไม่ตรงกับความต้องการของนักวิ่ง การตั้งค่าเหล่านี้ถูกกำหนดโดยผู้ใช้แอพพลิเคชั่นระหว่างขั้นตอนการติดตั้ง และรวมถึงแนวเพลง สไตล์ และความสนใจมานานหลายทศวรรษ

5. ข้อสรุปและการทำงานในอนาคต

ในบทความนี้ ได้มีการนำเสนอต้นแบบของผลิตภัณฑ์เพื่อจดจำอารมณ์ของผู้ใช้อุปกรณ์เคลื่อนที่แบบเรียลไทม์ ประกอบด้วยผลลัพธ์ทางวิศวกรรมที่สมบูรณ์ซึ่งผสมผสานผู้คน อุปกรณ์สวมใส่ เทคนิคการเรียนรู้ของเครื่องจักร คอมพิวเตอร์มือถือ และโซลูชันที่เน้นการบริการ โซลูชันนี้ได้รับการออกแบบมาให้รวมเข้ากับแอปพลิเคชันบนมือถือได้อย่างง่ายดาย โดยที่องค์ประกอบด้านอารมณ์ของผู้ใช้มีบทบาทที่เกี่ยวข้อง การรู้จำอารมณ์ตามแบบสอบถามประเมินตนเองมีข้อเสียบางประการ คือ ผู้ใช้ไม่สามารถแสดงความรู้สึกได้เสมอไป อาจทำให้ผู้ใช้รู้สึกเบื่อ หรือไม่สามารถใช้ได้กับปัญหาบางประเภท (เช่น เมื่อผู้ใช้อยู่ในสถานะต่อเนื่อง การเคลื่อนไหว) ด้วยเหตุผลเหล่านี้ การจดจำแบบเรียลไทม์จึงเป็นทางเลือกที่น่าสนใจมาก นอกจากนี้ ความเป็นไปได้ในการเข้าถึงข้อมูลเซ็นเซอร์ดิบช่วยให้สามารถตั้งโปรแกรมโมเดลความรู้อื่นๆ โดยอิงตามข้อมูลทางสรีรวิทยาหรือโซลูชันการทำเหมืองข้อมูลที่ช่วยให้เข้าใจพฤติกรรมทางอารมณ์ของผู้ใช้

จากมุมมองทางเทคนิค โซลูชันประกอบด้วยอุปกรณ์สวมใส่ได้และชุดรูปแบบการจดจำ อุปกรณ์สวมใส่นี้เป็นต้นแบบที่ออกแบบมาเป็นพิเศษสำหรับนักวิ่ง โดยมีฮาร์ดแวร์ที่เรียบง่ายและต้นทุนการผลิตต่ำเมื่อเทียบกับอุปกรณ์เชิงพาณิชย์ โมเดลการจดจำอารมณ์นั้นใช้อัลกอริธึมการเรียนรู้ของเครื่อง คุณลักษณะต่างๆ ได้รับการดึงออกมาจากข้อมูลเซ็นเซอร์ EDA และประเมินเพื่อกำหนดความเกี่ยวข้องในกระบวนการรับรู้อารมณ์ จากนั้น มีการประเมินวิธีการจำแนกประเภทที่แตกต่างกันสองวิธี: แบบจำลองการจำแนกประเภทหลายคลาสเทียบกับแบบจำลองการจำแนกไบนารีสี่แบบ ผลลัพธ์ของแนวทางแรกไม่ดีอย่างที่คาดไว้หลังจากพิจารณาการเรียงสับเปลี่ยนคุณลักษณะต่างๆ และการกำหนดค่าไฮเปอร์พารามิเตอร์ที่แตกต่างกัน แนวทางที่สองกลายเป็นตัวเลือกที่ดีกว่า เมื่อมีการรวมอัลกอริธึมฟอเรสต์แบบสุ่มและอัลกอริธึมเพื่อนบ้านที่ใกล้ที่สุด K เข้าด้วยกันเพื่อสรุปอารมณ์

โซลูชันที่นำเสนอได้รับการรวมเข้ากับแอปพลิเคชันมือถือ DJ-Running เพื่อทดสอบการใช้งานกับปัญหาจริง ในกรณีนี้ อารมณ์จะถูกนำมาใช้เพื่อควบคุมอารมณ์ของนักวิ่งผ่านดนตรี โดยขึ้นอยู่กับการออกกำลังกายที่พวกเขาแสดงและสภาพแวดล้อมที่พวกเขาฝึกซ้อม

ในการทำงานในอนาคต ในด้านหนึ่ง เรามีความสนใจเป็นพิเศษในการใช้ผลการวิจัยนี้เพื่อบรรลุแนวทางแก้ไขที่ใกล้เคียงกับผลิตภัณฑ์ในระยะกลาง ก่อนอื่น จำเป็นต้องมีการปรับปรุงฮาร์ดแวร์ที่สวมใส่ได้เพื่อลดขนาดและบูรณาการเซ็นเซอร์ใหม่ที่มีประโยชน์ในการปรับปรุงการรับรู้อารมณ์ นอกจากนี้ ข้อมูลของเซ็นเซอร์เหล่านี้จะต้องได้รับการประมวลผลเพื่อให้ได้คุณสมบัติใหม่ที่ช่วยให้สามารถสร้างแบบจำลองการจดจำที่แม่นยำยิ่งขึ้น ในทางกลับกัน เราต้องการนำผลลัพธ์กลับมาใช้ซ้ำสำหรับโดเมนแอปพลิเคชันอื่นๆ เช่น สุขภาพ ความสมบูรณ์แข็งแรง หรือความบันเทิง ในโดเมนเหล่านี้ อารมณ์และข้อมูลจากอุปกรณ์อัจฉริยะอื่นๆ (เช่น ติดตั้งในบ้านหรือสวมใส่โดยผู้ใช้) จะถูกนำมารวมกันเพื่อดึงความรู้เพื่อช่วยสร้างประสบการณ์ใหม่ที่มีผู้ใช้เป็นศูนย์กลาง

ผลงานของผู้เขียน:ซอฟต์แวร์ JGdQ; การสืบสวน SB, JRB และ P.Á. ผู้เขียนทุกคนได้อ่านและยอมรับต้นฉบับฉบับตีพิมพ์แล้ว

เงินทุน:งานวิจัยนี้ได้รับการสนับสนุนจากโครงการ PDC2021-121072-C22, TED2021-130374B-C22 และ RTI2018-096986-B-C31 ซึ่งได้รับการสนับสนุนจาก Spanish Ministerio de Economía y Competitividad และ DisCo- โครงการ T21-20R และ Affective-Lab-T60-20R ได้รับทุนจากรัฐบาลอารากอน

คำแถลงของคณะกรรมการพิจารณาสถาบัน:ไม่สามารถใช้ได้.

คำชี้แจงความยินยอม:ไม่สามารถใช้ได้.

คำชี้แจงความพร้อมของข้อมูล:ไม่สามารถใช้ได้.

ผลประโยชน์ทับซ้อน:ผู้เขียนขอประกาศว่าไม่มีความขัดแย้งทางผลประโยชน์

อ้างอิง

1. วิจายัน วี.; คอนนอลลี่ เจพี; คอนเดลล์ เจ.; แมคเคลวีย์ น.; การ์ดิเนอร์, พี. การทบทวนอุปกรณ์สวมใส่และข้อควรพิจารณาในการรวบรวมข้อมูลเพื่อสุขภาพที่เชื่อมต่อ เซ็นเซอร์ 2021, 21, 5589 [CrossRef] [PubMed]

2. Wang, H. การวิจัยเกี่ยวกับการประยุกต์ใช้อุปกรณ์ตรวจจับอุปกรณ์สวมใส่แบบไร้สายในเพลงแบบโต้ตอบ เจ. เซ็นเซอร์ 2021, 2021, 7608867. [CrossRef]

3. โอลสัน เจ.; Redkar, S. การสำรวจเครือข่ายเซ็นเซอร์ที่สวมใส่ได้ด้านสุขภาพและความบันเทิง แอปพลิเคชัน MOJ ไบโอนิคส์ ไบโอเมค 2018, 2, 280–287 [ครอสอ้างอิง]

4. เซชาดรี DR; หลี่ RT; วูส เจอี; โรว์บอททอม เจอาร์; อัลเฟส, CM; ซอร์แมน แคลิฟอร์เนีย; เซ็นเซอร์สวมใส่ Drummond, CK สำหรับตรวจสอบโปรไฟล์ทางสรีรวิทยาและชีวเคมีของนักกีฬา เลข NPJ ยา 2019, 2, 72. [CrossRef]

5. หลิว ล.; Zhang, X. บทวิจารณ์ที่มุ่งเน้นเกี่ยวกับเซ็นเซอร์สวมใส่ที่ยืดหยุ่นสำหรับกีฬา: จากจลนศาสตร์ไปจนถึงสรีรวิทยา ไมโครแมชชีน 2022, 13, 1356 [CrossRef]

6. นิตยา น.; Nallavan, G. บทบาทของอุปกรณ์สวมใส่ในกีฬาโดยพิจารณาจากการรับรู้กิจกรรมและพารามิเตอร์ไบโอเมตริกซ์: การสำรวจ ใน Proceedings of the 2021 International Conference on Artificial Intelligence and Smart Systems (ICAIS), โคอิมบาโตร์, อินเดีย, 25–27 มีนาคม 2564; หน้า 1700–1705.

7. เมนคารินี อี.; แร็ป, อ.; ทิราเบนี, ล.; Zancanaro, M. การออกแบบระบบอุปกรณ์สวมใส่สำหรับกีฬา: การทบทวนแนวโน้มและโอกาสในการโต้ตอบระหว่างมนุษย์กับคอมพิวเตอร์ IEEE ทรานส์ ฮัม.-มัค. ระบบ 2019, 49, 314–325. [ครอสอ้างอิง]

8. ดูอาร์เต MB; ดาคอสตาโมราเอส, AA; เฟอร์เรรา, EV; ดา ซิลบา อัลเมดา, GC; คาบราล, โฆษณา; เดอ อเธย์เด คอสต้า เอ ซิลวา, อ.; การ์เซซ DR; ดา ซิลวา โซซ่า, ก.; Callegari, B. วิธีการเซ็นเซอร์เฉื่อยที่สวมใส่ได้สำหรับการประเมินการปรับท่าทางในระหว่างการก่อกวนที่คาดการณ์ได้ในกีฬา เซ็นเซอร์ 2022, 22, 8272. [CrossRef]

9. McCarthy, PJ อารมณ์เชิงบวกในการเล่นกีฬา: สถานะปัจจุบันและทิศทางในอนาคต นานาชาติ สาธุคุณกีฬาออกกำลังกาย ไซโคล. 2554, 4, 50–69. [ครอสอ้างอิง]

10. เลน AM; เดวอนพอร์ต, ทีเจ; ฟรีเซ่น, AP; บีดี้ ซีเจ; ฟูลเลอร์ตัน ซีแอล; Stanley, DM ฉันควรควบคุมอารมณ์อย่างไรหากต้องการวิ่งเร็วขึ้น? ยูโร เจ.สปอร์ตวิทย์. 2016, 16, 465–472. [ครอสอ้างอิง]

11. Lazarus, RS อารมณ์มีอิทธิพลต่อการแสดงในการแข่งขันกีฬาอย่างไร สปอร์ต ไซโคล. 2000, 14, 229–252. [ครอสอ้างอิง]

12. แวกสตาฟ, CR; แทมมิเนน KA Emotions ความเครียด ความเป็นอยู่ที่ดี และการเล่นกีฬา เลดจ์ เทย์เลอร์ และฟรานซิส กรุ๊ป: ลอนดอน สหราชอาณาจักร 2021; หน้า 97–112.

13. ประภาเวสสิส, เอช. POMS กับประสิทธิภาพการกีฬา: บทวิจารณ์. เจ. แอพพลิเคชั่น สปอร์ต ไซโคล. 2000, 12, 34–48. [ครอสอ้างอิง]

14. ซากานอฟสกี้ ส.; ดัชโกเวียก อ.; เซียเดค, อ.; Dzie ˙zyc, M.; โคมอสซี 'นสกา, เจ.; มิชาลสกา ว.; โพลัก, อ.; อุจมา ม.; Kazienko, P. การจดจำอารมณ์โดยใช้อุปกรณ์สวมใส่: งานระหว่างดำเนินการทบทวนวรรณกรรมอย่างเป็นระบบ ใน Proceedings of the 2020 IEEE International Conference on Pervasive Computing and Communications Workshops (PerCom Workshops), ออสติน, เท็กซัส, สหรัฐอเมริกา, 23–27 มีนาคม 2020; หน้า 1–6.

15. Szwoch, W. การรับรู้อารมณ์โดยใช้สัญญาณทางสรีรวิทยา ใน การดำเนินการของมัลติมีเดีย, ปฏิสัมพันธ์, การออกแบบและนวัตกรรม, วอร์ซอ, โปแลนด์, 29–30 มิถุนายน 2558; หน้า 1–8.

16. กูเนส ฮ.; ชูลเลอร์ บี. การวิเคราะห์ผลกระทบเชิงหมวดหมู่และมิติในการป้อนข้อมูลอย่างต่อเนื่อง: แนวโน้มปัจจุบันและทิศทางในอนาคต การมองเห็นภาพ คอมพิวเตอร์ 2013, 31, 120–136. [ครอสอ้างอิง]

17. อาซาร์ ม.; เนลสัน ต.; Casey, A. การใช้เทคโนโลยีที่สวมใส่ได้เพื่อวัดการตอบสนองทางอารมณ์ของนักเทนนิส ในการดำเนินการประชุมนานาชาติของ EAI เกี่ยวกับเทคโนโลยี นวัตกรรม การเป็นผู้ประกอบการ และการศึกษา สปริงเกอร์: เบอร์ลิน/ไฮเดลเบิร์ก เยอรมนี 2017; หน้า 91–105.

18. ฮาฟลูคู เอช.; อัคกุน บ.; เอสเคนาซี, ต.; คอสคุน อ.; Ozcan, O. มุ่งสู่การตรวจจับโซนของนักเทนนิสชั้นยอดผ่านเทคโนโลยีที่สวมใส่ได้ ด้านหน้า. กีฬา. กระทำ. ใช้ชีวิต 2022, 4, 939641. [CrossRef]

19. บิ ต.; เบียนชี-แบร์ทูซ น.; ซิงห์, อ.; Costanza, E. ทำความเข้าใจประสบการณ์ร่วมกันของนักวิ่งและผู้ชมในงานวิ่งทางไกล ใน การดำเนินการของการประชุม CHI ปี 2019 เรื่องปัจจัยมนุษย์ในระบบคอมพิวเตอร์ กลาสโกว์ สหราชอาณาจักร 4-9 พฤษภาคม 2019 หน้า 1–13.

20. ดูเพร ดี.; อ่อนโยน, บ.; โบลสเตอร์, อ.; มอร์ริสัน ก.; McKeown, G. แบบจำลองอารมณ์ของนักกีฬาแบบไดนามิกตามอุปกรณ์ที่สวมใส่ได้ ในการดำเนินการประชุมนานาชาติเรื่องปัจจัยมนุษย์ประยุกต์และการยศาสตร์; สปริงเกอร์: เบอร์ลิน/ไฮเดลเบิร์ก เยอรมนี 2017 หน้า 42–50

21. Dupré, D.; แอนเดลิค น.; มัวร์ ดีเอส; มอร์ริสัน ก.; McKeown, GJ การวิเคราะห์การเปลี่ยนแปลงทางสรีรวิทยาที่เกี่ยวข้องกับอารมณ์ระหว่างกิจกรรมซิปไลน์ กีฬา. อังกฤษ 2020, 23, 1–11. [ครอสอ้างอิง]

22. เรา ป.; เซชาดรี DR; Hsu, J. การประยุกต์ใช้อุปกรณ์สวมใส่ในปัจจุบันและศักยภาพในกีฬาหทัยวิทยา สกุลเงิน รักษา. ตัวเลือก Cardiovasc ยา 2021, 23, 1–15. [ครอสอ้างอิง]

23. เฉิน เจ.; แอ๊บบอต, ม.; Shieh, JS การตรวจจับความเจ็บปวดและความเครียดโดยใช้เซ็นเซอร์และอุปกรณ์ที่สวมใส่ได้ - บทวิจารณ์ เซ็นเซอร์ 2021, 21, 1030 [CrossRef]

24. เซชาดรี DR; หลี่ RT; วูส เจอี; โรว์บอททอม เจอาร์; อัลเฟส, CM; ซอร์แมน แคลิฟอร์เนีย; เซ็นเซอร์สวมใส่ Drummond, CK สำหรับตรวจสอบปริมาณงานภายในและภายนอกของนักกีฬา เลข NPJ ยา 2019, 2, 7608867. [CrossRef]

25. จัสลิน พีเอ็น; Sloboda, J. คู่มือดนตรีและอารมณ์: ทฤษฎี การวิจัย การประยุกต์; สำนักพิมพ์มหาวิทยาลัยออกซ์ฟอร์ด: อ็อกซ์ฟอร์ด, สหราชอาณาจักร, 2011

26. Schaefer ฯพณฯ อารมณ์ที่เกิดจากดนตรี—การศึกษาในปัจจุบัน ด้านหน้า. โรคประสาท 2017, 11, 600. [CrossRef]

27. อูห์ลิก ส.; ยาชเก อ.; Scherder, E. ผลกระทบของดนตรีต่อการควบคุมอารมณ์: การทบทวนวรรณกรรมอย่างเป็นระบบ ใน Proceedings of the 3rd International Conference on Music & Emotion, Jyväskylä, ฟินแลนด์, 11–15 มิถุนายน 2013

28. หวง เจ.; Li, X. ผลกระทบและการประยุกต์ใช้ดนตรีบำบัดที่มีต่อสุขภาพจิต: การทบทวน ในการดำเนินการของการประชุมนานาชาติว่าด้วยศิลปะสาธารณะและการพัฒนามนุษย์ประจำปี 2021 (ICPAHD 2021), คุนหมิง, จีน, 24–26 ธันวาคม 2021; หน้า 984–989.

29. เบิร์ด อ.; Samson, S. ความทรงจำสำหรับดนตรีในโรคอัลไซเมอร์: ลืมไม่ได้เหรอ? นิวโรไซคอล ฉบับที่ 2009, 19, 85–101. [ครอสอ้างอิง]

30. สตีเฟนสัน ร.; เบดโดส, Z.; ออตเตอร์สัน ส.; Rugen, J. การประยุกต์ใช้งานเชิงปฏิบัติสำหรับการใช้ดนตรีเพื่อเพิ่มแรงจูงใจและกิจกรรมทางกายในวิชาพลศึกษา กลยุทธ์ปี 2022, 35, 17–22. [ครอสอ้างอิง]

31. Scherer, KR อารมณ์ใดที่ดนตรีสามารถกระตุ้นได้? มีกลไกพื้นฐานอะไรบ้าง? และเราจะวัดมันได้อย่างไร? เจ. นิวมิวสิค Res. 2004, 33, 239–251. [ครอสอ้างอิง]

32. Juslin, PN Musical Emotions Explained: ปลดล็อกความลับของผลกระทบทางดนตรี; สำนักพิมพ์มหาวิทยาลัยออกซ์ฟอร์ด: Cary, NC, USA, 2019

33. คิม เจ.; André, E. การรับรู้อารมณ์ตามการเปลี่ยนแปลงทางสรีรวิทยาในการฟังเพลง IEEE ทรานส์ รูปแบบก้น. มัค Intell 2008, 30, 2067–2083. [CrossRef] [PubMed]

34. ด.ช.อายาตะ; ยาสลัน ย.; Kawasaki, ME ระบบแนะนำเพลงตามอารมณ์โดยใช้เซ็นเซอร์ทางสรีรวิทยาที่สวมใส่ได้ IEEE ทรานส์ บริโภค. อิเล็กตรอน. 2018, 64, 196–203. [ครอสอ้างอิง]

35. เอโรลา ต.; Vuoskoski, JK การเปรียบเทียบแบบจำลองอารมณ์ทางดนตรีแบบแยกส่วนและแบบมิติ ไซโคล. ดนตรี 2011, 39, 18–49. [ครอสอ้างอิง]

36. คารากอร์กิส ซีไอ; เอกเคคิส ป.; เบิร์ด เจเอ็ม; Bigliassi, M. ดนตรีในโดเมนการออกกำลังกายและการกีฬา: แนวทางแนวความคิดและกลไกพื้นฐาน ใน The Routledge Companion to Embodied Music Interaction; เลดจ์: ลอนดอน สหราชอาณาจักร 2017; หน้า 284–293.

37. เทอร์รี่ พีซี; คาราจอร์กิส, ซีไอ; เคอร์แรน, มลรัฐ; มาร์ติน โอวี; Parsons-Smith, RL ผลกระทบของดนตรีในการออกกำลังกายและการเล่นกีฬา: การทบทวนการวิเคราะห์เมตา ไซโคล. วัว. 2020, 146, 91. [CrossRef]

38. ว.จตุรเวดี.; คอร์, AB; วาร์ชนีย์, วี.; การ์ก, อ.; ฉฮาบรา, GS; Kumar, M. อารมณ์ดนตรีและการรับรู้อารมณ์ของมนุษย์ตามสัญญาณทางสรีรวิทยา: การทบทวนอย่างเป็นระบบ มัลติมีเดีย ระบบ 2022, 28, 21–44. [ครอสอ้างอิง]

39. แบรนต์ น.; Razon, S. ผลกระทบของเพลงที่เลือกเองต่อการตอบสนองทางอารมณ์และประสิทธิภาพการวิ่ง: ทิศทางและความหมาย นานาชาติ เจ. เอ็กเซอร์ค. วิทยาศาสตร์ 2019, 12, 310–323.

40. ฮัทชินสัน เจซี; โจนส์, ล.; วิทติ, SN; มัวร์, อ.; ดาลตัน, พีซี; O'Neil, BJ อิทธิพลของดนตรีที่เลือกเองต่อความเข้มข้นของการออกกำลังกายที่ควบคุมผลกระทบ และความสุขที่จดจำระหว่างการวิ่งบนลู่วิ่งไฟฟ้า กีฬา. ออกกำลังกาย ดำเนินการ. ไซโคล. 2018, 7, 80. [CrossRef]

41. Hutchinson, JC วิ่งพร้อมดนตรี AMAA J. 2017, 30, 13–16.

42. ไวนัลดา จี.; พอว์ส ส.; วิญโญลี ฟ.; Stuckenschmidt, H. ระบบเพลงส่วนบุคคลสำหรับแรงจูงใจในการเล่นกีฬา คอมพิวเตอร์ที่แพร่หลายของ IEEE 2548, 4, 26–32. [ครอสอ้างอิง]

43. เอลเลียต GT; Tomlinson, B. PersonalSoundtrack: เพลย์ลิสต์ที่คำนึงถึงบริบทซึ่งปรับให้เข้ากับจังหวะของผู้ใช้ ใน Proceedings of CHI'06 ขยายบทคัดย่อเกี่ยวกับปัจจัยมนุษย์ในระบบคอมพิวเตอร์ มอนทรีออล ควิเบก แคนาดา 22–27 เมษายน 2549; หน้า 736–741.

44. เด โอลิเวรา ร.; Oliver, N. Triplebeat: เพิ่มประสิทธิภาพการออกกำลังกายด้วยการโน้มน้าวใจ ใน Proceedings of the 10th International Conference on Human-Computer Interaction with Mobile Devices and Services, อัมสเตอร์ดัม, เนเธอร์แลนด์, 2–5 กันยายน 2551; หน้า 255–264.

45. บาวเออร์ ค.; Kratschmar, A. การออกแบบแอปพลิเคชันการวิ่งที่ควบคุมด้วยดนตรี: มุมมองด้านวิทยาศาสตร์การกีฬาและจิตวิทยา ใน รายงานการประชุม ACM ประจำปีครั้งที่ 33 Extended Abstracts on Human Factors in Computing Systems, โซล, สาธารณรัฐเกาหลี, 18–23 เมษายน 2558; หน้า 1379–1384.

46. ​​อัลวาเรซ พี.; ซาราซากา-โซเรีย, เอฟเจ; Baldassarri, S. คำแนะนำเพลงบนมือถือสำหรับนักวิ่งตามสถานที่และอารมณ์: ระบบ DJ-Running ม็อบที่แพร่หลาย คอมพิวเตอร์ 2020, 67, 101242. [CrossRef]

47. อัลวาเรซ พี.; เด กีโรส, เจจี; Baldassarri, S. RIADA: โครงสร้างพื้นฐานที่ใช้การเรียนรู้ของเครื่องเพื่อการจดจำอารมณ์ของเพลง Spotify นานาชาติ เจ. อินเตอร์แรคท์. มัลติมีเดีย อาร์ติฟ. Intell 2022, 1–14. [ครอสอ้างอิง]

48. อัลวาเรซ พี.; กุย อ.; เบลตราน, JR; เด กีโรส, เจจี; Baldassarri, S. DJ-Running: ระบบที่ใช้อารมณ์เพื่อแนะนำเพลง Spotify ให้กับนักวิ่ง ใน Proceedings of icSPORTS, เวียนนา, ออสเตรีย, 20–21 กันยายน 2019; หน้า 55–63.

49. อัลวาเรซ พี.; เบลตราน, JR; Baldassarri, S. Dj-running: อุปกรณ์สวมใส่และอารมณ์เพื่อปรับปรุงประสิทธิภาพการวิ่ง ในการดำเนินการประชุมนานาชาติด้านวิศวกรรมและการออกแบบระบบมนุษย์: แนวโน้มและการประยุกต์ในอนาคต; สปริงเกอร์: เบอร์ลิน/ไฮเดลเบิร์ก เยอรมนี 2018; หน้า 847–853.

50. จิราร์ดี ดี.; ลานูบิเล ฟ.; Novielli, N. การตรวจจับอารมณ์โดยใช้เซ็นเซอร์ราคาประหยัดที่ไม่รุกล้ำ ใน การดำเนินการของการประชุมนานาชาติครั้งที่เจ็ดเรื่องคอมพิวเตอร์อารมณ์และการโต้ตอบอัจฉริยะ (ACII) ประจำปี 2017 เมืองซานอันโตนิโอ รัฐเท็กซัส สหรัฐอเมริกา ระหว่างวันที่ 23–26 ตุลาคม 2017 หน้า 125–130. [ครอสอ้างอิง]

51. โซไลมานี ม.; ลิคเทนาเออร์, เจ.; ปุน ต.; Pantic, M. ฐานข้อมูลอารมณ์หลายรูปแบบสำหรับการรับรู้ผลกระทบและการแท็กโดยนัย ส่งผลกระทบ. คอมพิวเตอร์ IEEE ทรานส์ 2555, 3, 42–55. [ครอสอ้างอิง]

52. ศุกลา เจ.; บาร์เรดา-แองเจเลส ม.; โอลิเวอร์ เจ.; นันดี ก.; Puig, D. การสกัดและการคัดเลือกคุณลักษณะสำหรับการรับรู้อารมณ์จากกิจกรรมทางไฟฟ้า IEEE ทรานส์ ส่งผลกระทบ. คอมพิวเตอร์ 2019, 12, 857–869 [ครอสอ้างอิง]

53. คำอธิบาย Empatica E4 2021. พร้อมใช้งานออนไลน์: https://www.empatica.com/en-eu/research/e4/ (เข้าถึงเมื่อ 30 พฤศจิกายน 2019)

54. เซ็นเซอร์ GSR Logger NUL-217 2017. เข้าถึงได้ทางออนไลน์: http://neulog.com/gsr/ (เข้าถึงเมื่อ 14 มกราคม 2023)

55. ชุด Biosignalsplux 2023. พร้อมใช้งานออนไลน์: https://www.pluxbiosignals.com (เข้าถึงเมื่อ 14 มกราคม 2023)

56. ชุดพัฒนาชิมเมอร์ 2022. พร้อมใช้งานออนไลน์: https://shimmersensing.com/wearable-sensor-products/development-kits/ (เข้าถึงเมื่อวันที่ 18 ธันวาคม 2022)

57. ฮุ่ย, TK; Sherratt, RS ความครอบคลุมของการจดจำอารมณ์สำหรับไบโอเซนเซอร์ที่สวมใส่ได้ทั่วไป ไบโอเซนเซอร์ 2018, 8, 30. [CrossRef]

58. ฟาน โดเรน ม.; Janssen, JH เหงื่อออกทางอารมณ์ทั่วร่างกาย: เปรียบเทียบตำแหน่งการวัดสื่อกระแสไฟฟ้าของผิวหนัง 16 ตำแหน่ง ฟิสิออล. ประพฤติตน 2012, 106, 298–304. [ครอสอ้างอิง]

59. รัสเซลล์ เจ. แบบจำลองเอฟเฟกต์เส้นรอบวง เจ. ส่วนตัว. สังคมสงเคราะห์ ไซโคล. 1980, 39, 1161–1178. [ครอสอ้างอิง]

60. โรมิโอ ล.; คาวาลโล, อ.; เปป้า ล.; เบียนชี-แบร์ทูซ น.; Pontil, M. การเรียนรู้หลายอินสแตนซ์เพื่อการรับรู้อารมณ์โดยใช้สัญญาณทางสรีรวิทยา IEEE ทรานส์ ส่งผลกระทบ. คอมพิวเตอร์ 2022, 13, 389–407. [ครอสอ้างอิง]

61. กยอเรสกี้ ม.; โจเรสกี้ เอช.; ลูสเตรค ม.; Gams, M. การตรวจจับความเครียดอย่างต่อเนื่องโดยใช้อุปกรณ์ข้อมือ: ในห้องปฏิบัติการและในชีวิตจริง ใน การดำเนินการของการประชุมร่วมระหว่างประเทศ ACM ประจำปี 2559 เรื่องคอมพิวเตอร์ที่แพร่หลายและแพร่หลาย: ผู้ช่วย; Association for Computing Machinery, New York, NY, USA, 12–16 กันยายน 2016; หน้า 1185–1193. [ครอสอ้างอิง]

62. คอร์เรีย แจม; อบาดี, เอ็มเค; เซบี น.; Patras, I. AMIGOS: ชุดข้อมูลสำหรับการวิจัยด้านผลกระทบ บุคลิกภาพ และอารมณ์ในบุคคลและกลุ่ม IEEE ทรานส์ ส่งผลกระทบ. คอมพิวเตอร์ 2021, 12, 479–493. [ครอสอ้างอิง]

63. ซานตามาเรีย-กรานาดอส ล.; มูโนซ-ออร์กาเนโร, ม.; รามิเรซ-กอนซาเลซ ก.; อับดุลเฮย์ อี.; Arunkumar, N. การใช้โครงข่ายประสาทเทียมแบบ Deep Convolutional สำหรับการตรวจจับอารมณ์บนชุดข้อมูลสัญญาณทางสรีรวิทยา (AMIGOS) การเข้าถึง IEEE 2019, 7, 57–67 [ครอสอ้างอิง]

64. โคเอลสตรา ส.; มึห์ล, ค.; โซไลมานี ม.; ลีเจ.; ยาซดานี อ.; เอบราฮิมิ ต.; ปุน ต.; ไนจโฮลท์ อ.; Patras, I. DEAP: ฐานข้อมูลสำหรับการวิเคราะห์อารมณ์โดยใช้สัญญาณทางสรีรวิทยา IEEE ทรานส์ ส่งผลกระทบ. คอมพิวเตอร์ 2012, 3, 18–31. [ครอสอ้างอิง]

65. ด.ช.นาวาร์โร; การ์โร วี.; Sundstedt, V. การประเมินกิจกรรมด้วยไฟฟ้าของประสบการณ์ผู้เล่นในเกมเสมือนจริง: การวิเคราะห์องค์ประกอบเฟส ใน การดำเนินการของการประชุมร่วมระหว่างประเทศครั้งที่ 17 เรื่องคอมพิวเตอร์วิทัศน์ การถ่ายภาพ และทฤษฎีคอมพิวเตอร์กราฟิกและการประยุกต์ (VISIGRAPP 2022) ออนไลน์ 6-8 กุมภาพันธ์ 2565 หน้า 108–116. [ครอสอ้างอิง]

66. sci-kit-learn: Machine Learning ใน Python พร้อมใช้งานออนไลน์: https://scikit-learn.org/stable/ (เข้าถึงเมื่อ 14 พฤศจิกายน 2022)

67. จาง เอ๊ะ; พาร์ก, บีเจ; พาร์ก, มิสซิสซิปปี; คิม ช.; Sohn, JH การวิเคราะห์สัญญาณทางสรีรวิทยาเพื่อรับรู้ถึงความเบื่อหน่าย ความเจ็บปวด และอารมณ์ประหลาดใจ เจ. ฟิส. แอนโทรโพล 2015, 34, 25. [CrossRef] [PubMed]

68. เบิร์กสตรา เจ.; Bengio, Y. การค้นหาแบบสุ่มสำหรับการเพิ่มประสิทธิภาพไฮเปอร์พารามิเตอร์ เจ.มัค. เรียนรู้. ความละเอียด 2012, 13, 281–305.

ข้อสงวนสิทธิ์/หมายเหตุของผู้จัดพิมพ์:ข้อความ ความคิดเห็น และข้อมูลที่มีอยู่ในสิ่งพิมพ์ทั้งหมดเป็นของผู้เขียนและผู้มีส่วนร่วมเท่านั้น ไม่ใช่ของ MDPI และ/หรือบรรณาธิการ MDPI และ/หรือบรรณาธิการไม่รับผิดชอบต่อการบาดเจ็บต่อบุคคลหรือทรัพย์สินอันเป็นผลจากแนวคิด วิธีการ คำแนะนำ หรือผลิตภัณฑ์ที่อ้างถึงในเนื้อหา

【สำหรับข้อมูลเพิ่มเติม:george.deng@wecistanche.com / WhatsApp:8613632399501】