16227

16227

تشخيص احساسات از ر‌‌‌‌‌وي سيگنال‌‌‌هاي EEG با استفاده از ويژگي‌هاي‌ ارتباط عملكردي

كارشناسي ارشد

بيوالكتريك

تير 1395

دكتر محمد رضا دليري

برق

چكيده در عصر حاضر برچسب گزاري محتواي چند رسانه اي با در دسترس بودن اطلاعات فيزيولوژيكي از جمله EEG وارد مرحله ي تازه اي شده است. بنابراين برچسب زدن احساسات يك موضوع اصلي در تشخيص احساسات محسوب مي‌شود. مغز به عنوان ناحيه اي كه فعاليت ‌هاي عاطفي را فرا مي‌خواند حاوي بهترين اطلاعات احساسي مي‌باشد. در بين سيگنال‌هاي فيزيولوژيكي نشان داده شده است كه EEG داراي اطلاعات زيادي در رابطه با حالات عاطفي كاربران است. موضوع محاسبات عاطفي و تشخيص حالت‌هاي مختلف احساسات كاربران به طور قابل توجهي امري ضروري است. هدف مطالعه حاضر، يافتن ارتباط عملكردي بين سيگنال‌هاي EEG و احساسات بشر و در نهايت تشخيص حالت‌هاي عاطفي به صورت خودكار مي‌باشد. براي اين منظور، ما يك سيستم تشخيص احساسات بر اساس ويژگي‌هاي ارتباط عملكردي بين 32 كانال EEG به طبقه بندي دو مدل احساسات غالب بر اساس ميزان خوشايندي و برانگيختگي در طول ارائه محرك‌هاي ويدئويي پيشنهاد مي‌كنيم. ويژگي‌هايي با استفاده از همبستگي پيرسون ، مقدار قفل فاز ، شاخص تأخيرفاز ، شاخص تأخيرفاز وزن دار ، اطلاعات متقابل و مربع دامنه كوهرنس از الكترودهاي جفت سيگنال‌هاي EEG استخراج گرديد. ويژگي‌هاي مفيد و مؤثر، از طريق روش تحليل تفكيك خطي فيشر انتخاب شده است. و با استفاده از طبقه بندي و اعتبار سنجي ماشين بردار پشتيبان دو حالت احساسي (برانگيختگي پايين و بالا (و (خوشايندي پايين و بالا) تفكيك گرديد. يك مجموعه داده عاطفي قابل دسترسي براي تجزيه و تحليل احساسات با استفاده از EEG، پايگاه داده(DEAP) براي ارزيابي سيستم پيشنهادي استفاده مي‌شود. در اين پايگاه داده 40محرك صوتي و تصويري (موزيك ويدئو) استفاده شده است. داده EEG از 32 نفر در طول ارائه محرك جمع آوري گرديده است. افراد خود سطح برانگيختگي ، خوشايندي ، تسلط، و دوست داشتن را بعد از تماشاي هر كليپ گزارش كرده اند. نتايج نشان داد كه روش ارائه شده به طور متوسط دقت طبقه بندي براي ميزان خوشايندي و برانگيختگي را نسبت به ويژگي‌هاي قبلي مورد استفاده به ترتيب با درصد صحت 88. 1 ±32. 68 و 52. 2 ±33. 60 بهبود داده است. بنابراين ويژگي‌هاي ارتباطات عملكردي به عنوان ويژگي مفيد و مؤثر در تشخيص احساسات مي‌توانند مورد استفاده قرار بگيرند. واژه‌‌هاي كليدي: احساسات، الكتروانسفالوگرافي، ارتباطات عملكردي، طبقه بندي عاطفي

1395/10/15

1/1/1900 12:00:00 AM

Abstract: In the current era, implicit tagging of multimedia contents is going to reach a new level through availability of physiological information (e. g. electroencephalogram (EEG) signals). Thus implicit tagging is main idea in emotion recognition. Brain as the area calls emotion activity contain the best affective information. The physiological signals shown that the EEG has a lot of information in relation to the emotional states of users. Emotion is a psychophysiological process that plays an important role in human communication an​d current efforts in Human-Machine-Interaction (HMI). This project aims at finding the relationship between functional connectivity of EEG signals an​d human emotions. In the realm of affective computing, recognition of emotional state of users has significantly been essential. This study applied pattern recognition algorithms to separate emotional state of the subjects. To this end, we propose an emotion recognition system based on EEG connectivity features between electrodes to classify two dominant emotion model based on valence an​d arousal, during video stimuli presentation. EEG features were extracted using the Pearson’s correlation coefficient (Corr), Phase Locking Value (PLV), Phase-Lag Index (PLI), Weighted Phase-Lag Index (wPLI),Mutual Information (MI) an​d Magnitude square coherence estimation of the pair electrodes of EEG signals. We selected the robust features through Fisher linear discriminant analysis method. Leave one out cross-validation was then performed using SVM classifier to classify the two emotional states (high/low Arousal, high/low Valence).A open access affective dataset for emotion analysis using EEG, physiological an​d video signals (DEAP) is used for eva​luation of the proposed system. In this database 40 audio-visual stimuli have been used. The EEG data collected from 32 subjects during stimulus presentation. The subjects self-reported the level of their arousal, valence, dominance, an​d liking after each clip. The results showed that the proposed method improved the average classification accuracies for valence an​d arousal in compared to traditional features used for this aim. The results indicate that it is possible to use functional connectivity features for noninvasive assessment of the emotional states with high accuracy. Therefore ,functional connectivity features as useful features can be used to detect emotion. Keywords: Emotion, EEG, Functional connectivity, Affective classification