Уважаемые коллеги, доброго времени суток! Представляем вам британское научное издание International Journal of Intelligent Systems. Журнал имеет первый квартиль, издаётся в John Wiley and Sons Ltd., его SJR за 2021 г. равен 1,693, импакт-фактор 8,993, печатный ISSN - 0884-8173, электронный - 1098-111X, предметные области - Теоретические компьютерные науки, Программное обеспечение, Искусственный интеллект, Взаимодействие человека и компьютера. Вот так выглядит обложка:
Редактором является Чин Ли, контактные данные - jinli71@gmail.com, INTeditorial@wiley.com.
Журнал служит форумом для людей, заинтересованных в изучении обширных теорий, основанных на построении интеллектуальных систем. Благодаря рецензируемому формату журнал публикует несколько представляющих интерес редакционных статей, написанных современными экспертами в данной области. Поскольку новые разработки внедряются каждый день, необходимо уделять внимание изучению, созданию аналитических материалов, поиску информации, взаимодействию человека и компьютера и многому другому. Международный журнал интеллектуальных систем использует диаграммы и иллюстрации, чтобы продемонстрировать данные новаторские проблемы и призывает читателей делиться своими мыслями и опытом.
Адрес издания - https://onlinelibrary.wiley.com/journal/1098111x
Пример статьи, название - Dynamic differential entropy and brain connectivity features based EEG emotion recognition. Заголовок (Abstract) - Emotion recognition has become a research focus in the brain–computer interface and cognitive neuroscience. Electroencephalogram (EEG) is employed for its advantages as accurate, objective, and noninvasive nature. However, many existing research only focus on extracting the time and frequency domain features of the EEG signals while failing to utilize the dynamic temporal changes and the positional relationships between different electrode channels. To fill this gap, we develop the dynamic differential entropy and brain connectivity features based EEG emotion recognition using linear graph convolutional network named DDELGCN. First, the dynamic differential entropy feature which represents the frequency domain feature as well as time domain feature is extracted based on the traditional differential entropy feature. Second, brain connectivity matrices are constructed by calculating the Pearson correlation coefficient, phase-locked value and transfer entropy, and then are used to denote the connectivity features of all electrode combinations. Finally, a linear graph convolutional network is customized and applied to aggregate the features from total electrode combinations and then classifies the emotional states, which consists of five layers, namely, an input layer, two linear graph convolutional layers, a fully connected layer, and a softmax layer. Extensive experiments show that the accuracies in the valence and arousal dimensions reach 90.88% and 91.13%, and the precision reaches 96.66% and 97.02% on the DEAP dataset, respectively. On the SEED dataset, the accuracy and precision reach 91.56% and 97.38%, respectively.
