28414

بازشناسي احساسات با تحليل ويژگي هاي ارتباطي سيگنال الكتروانسفالوگرافي

كارشناسي ارشد

مهندسي پزشكي- بيوالكتريك

1397

1401/7/30

وحيد شالچيان

دانشكده مهندسي برق

احساسات نقش اساسي در ارتباطات بين فردي و در زندگي روزمره انسان¬ها دارد، همچنين درك احساسات و پاسخ متناسب به آن در كيفيت زندگي بسيار حائز اهميت است. هوش هيجاني به عنوان هوش مهمي از انواع هوش¬هاي موجود و شناخته شده است كه بيانگر توانايي در برداشت، درك و پاسخ به احساسات است. درك احساسات، شكاف موجود بين تعاملات انسان و ماشين مي¬باشد بنابراين پژوهشگران با توسعه مدل¬هاي محاسباتي احساسات، بدنبال كاهش فاصله ارتباطي موجود بين انسان و ماشين هستند. در اين پژوهش از سيگنال الكتروانسفالوگرافي پايگاه داده SEED IV براي بازشناسي احساسات استفاده شده است. داده¬ها از 15 فرد سالم و ثبت حين مشاهده فيلم¬هاي كوتاهي صورت گرفته كه القا كننده يكي از چهار حس خنثي، غم، ترس و شادي بوده است. پس از پيش¬پردازش¬هاي اوليه داده¬ها و استخراج باندهاي پنجگانه رايج سيگنال الكتروانسفالوگرافي، ارتباطات موثر محاسبه شد. جهت تخمين ارتباطات موثر بين تمامي باندهاي فركانسي، از آنتروپي انتقال استفاده شد. با استفاده از روش اطلاعات متقابل 10 ويژگي¬ كه قابليت تفكيك¬پذيري بالاتري داشتند، انتخاب شدند و به عنوان ويژگي¬هاي ورودي به شبكه عصبي عميق داده شد. بالاترين مقدار صحت بدست آمده بين كلاس¬هاي مختلف متعلق به احساس غم در باند گاما با مقدار 89.9 درصد مي¬باشد. بيشترين صحت در احساس خنثي مقدار 86 درصد در حالت كلي سيگنال الكتروانسفالوگرام (بدون تجزيه شدن به باند) ، بيشترين صحت در ترس مربوط به باند بتا با مقدار 85 درصد و در مورد احساس شادي با 88 درصد در حالت فركانسي كلي سيگنال EEG را داراست. همچنين بين تمامي فركانس¬هاي بررسي شده، صحت سيگنال در حالت كلي با مقدار 86 درصد بيشترين مقدار بوده است. با توجه به توسعه روزافزون علم و توجه بيشتر پژوهشگر¬ها به حوزه احساسات و شناسايي آن با در نظر گرفتن كاربردهاي گسترده آن اعم از سيستم¬هاي واسط مغز و كامپيوتر، تجهيزات پوشيدني، پايش حالت-هاي رواني جهت استفاده شخص يا فرد متخصص و روان¬درمانگران در اين پژوهش با استفاده از روش ارائه شده و نتايج يادشده به صحت بالاتري نسبت به گروه جمع¬آوري پايگاه داده SEED IV در دانشگاه جيائوتانگ شانگهاي و مقاله ارائه شده توسط آن¬ها رسيديم.

1402/03/24

EEG based Emotion Recognition by Connectivity Features

10/22/2023 12:00:00 AM

Emotions play a fundamental role in interpersonal communication and in the daily life of humans. Understanding emotions and responding proportionally to them is very important for the quality of life. Emotional intelligence is a types of intelligence that emphasizes the ability to perceive, understand and respond to emotions. The gap between human and machines is bridged by understanding emotions. Therefore, researchers are developing computational models of emotions to reduce distance between humans and machines. In this study, the electroencephalography (EEG) database, SEED IV is used for emotion recognition. The data include 15 healthy subjects recorded during the watching video clips that induce one of the four neutral, sad, fear and happy emotions. Effective connectivity were calculated after preliminary data processing and the extraction of common five-band EEG signals. To estimate effective connections between all frequency bands, transfer entropy was used. Using the mutual information method, 10 features with higher discriminability were selected as the input features to the deep neural network. The highest accuracy belonged to the emotion of sad in the gamma band with 89.9%. The highest accuracy in neutral emotion was 86% in the overall EEG signal (without decompose into bands). The highest accuracy in fear was 85% in the beta band, and for happiness emotion, it was 88% in overall frequency of EEG signal. Moreover, among all examined frequencies, the overall signal accuracy was the highest with a value of 86%. With the increasing development and attention of researchers in the field of emotions and their identification, considering their extensive applications such as brain-computer interface systems, wearable devices, and monitoring mental states for personal use, professional use, and psychotherapy, in this study, using the proposed method and the obtained results, a higher accuracy is achieved compared to the SEED IV database group at Shanghai Jiao Tong University, and their presented article.

الكتروانسفالوگرافي , بازشناسي احساسات , ارتباط موثر , شاخص آنتروپي انتقال , شبكه عصبي عميق

eeg , Emotion recognition , Effective connectivity , Transfer Entropy Index , Deep neural network

Mahla Davoodi Moghadam

Dr. Vahid Shalchian