چکیده: چکیده بازشناسی احساسات انسانی بر پایه سیگنال‌های الکتروانسفالوگرام در بازتاب حالات عاطفی، یکی از موضوعات مهم در علوم اعصاب محاسباتی و هوش مصنوعی است. شبکه‌های عصبی کانولوشنی با وجود توانایی بالا در استخراج ویژگی‌های پیچیده، در طراحی ساختار و تنظیم ابرپارامترها با چالش‌هایی نظیر وابستگی به آزمون ‌و خطا که باعث هزینه محاسباتی بالا و سوگیری انسانی میشود، مواجه‌اند. در این پژوهش، یک شبکه عصبی کانولوشنی دوبعدی جهت بازشناسی احساسات برای دادگانSEED طراحی و ابرپارامترهای آن با بهره‌گیری از دو الگوریتم فراابتکاری گرگ خاکستری و وال بهینه‌سازی شد. یک تابع هزینه مبتنی بر صحت و خطای اعتبارسنجی در چارچوب اعتبارسنجی متقاطع پنج‌مرحله‌ای تعریف گردید و ده ابرپارامتر کلیدی شامل نرخ یادگیری، توابع فعال‌سازی، تعداد نورون‌ها، تنظیم‌گر وزن‌ها و اندازه دسته داده‌ها بهینه شدند. برای هر بهینه ساز فراابتکاری جمعیت جستجوگران ۱۵ و تعداد تکرارها ۱۰ در نظر گرفته شد. نتایج نشان داد که روش پیشنهادی صحت بازشناسی را از ۸۳٪ به ۸۶٪ افزایش می‌دهد و در عین حال موجب کاهش تعداد پارامترهای قابل‌آموزش، کاهش پیچیدگی عملیاتی و کاهش نیاز به حافظه ذخیره‌سازی و حافظه اجرایی می‌شود. این یافته‌ها بیانگر کارآمدی رویکرد فراابتکاری در بهینه‌سازی شبکه‌های عصبی کانولوشنی و قابلیت تعمیم آن به سایر مسائل یادگیری عمیق است.