آشكارسازي احساسات(مثبت، منفي، خنثي) با استفاده از سيگنال هاي EEG قابل پياده سازي در سيستم هاي پوشيدني

در اين تحقيق، آشكارسازي احساسات با استفاده از سيگنالهاي EEGرا انجام داديم و از روش طبقه بندي مبتني بر PLS براي طبقه بندي استفاده كرديم. براي بررسي پيوسته و طولاني مدت افراد مبتلا به بيماري هاي روحي و رواني در شرايط واقعي زندگي، استفاده از سيستم هاي پوشيدني شناسايي احساس حائز اهميت است. با توجه به اينكه در اين سيستم ها، بايد طبقه بندهايي مورد استفاده قرار بگيرند كه ضمن حفظ حداقل صحت، نيازمند زمان پردازش و حجم حافظه كمتري باشند، با مطالعه عملكرد طبقه بندهاي مختلف در مقالات قبلي و با در نظر گرفتن اين سه معيار، عملكرد طبقه بندي مبتني بر PLS را براي اهداف اين تحقيق مورد بررسي قرار داديم. در انجام اين پژوهش از داده هاي ثبت شده توسط ناجي[1] استفاده كرديم. در اين داده ها 25 نفر (10 مرد و 15 زن) شركت كردند و در حالي كه موسيقي هاي از قبل پرچسب خورده براي آن ها پخش مي شد و احساسات مختلف (شادي بخش، آرامش بخش، آزاردهنده و كسل كننده) را در آن ها القا مي كرد، سيگنال هاي مغزي آنها ثبت شد. احساسات شادي بخش و آرامش بخش را به عنوان حالت مثبت، احساسات آزاردهنده و كسل كننده را به عنوان حالت منفي و ثبت انجام شده در حالت استراحت را به عنوان حالت خنثي در نظر گرفتيم. پس از پيش پردازش و استخراج ويژگي هاي مختلف، با استفاده از روش ديويس-بولدين زيردسته بهينه ويژگي ها استخراج شد. ويژگي هاي استخراج شده، با استفاده از طبقه بندي مبتني بر PLS، به عنوان طبقه بندي كه قرار است عملكرد آن در سيستمهاي پوشيدني بررسي شود، و طبقه بندهاي SVM و KNN براي مقايسه، طبقه بندي شدند. صحت، زمان اجرا و حجم حافظه براي طبقه بند مبتني بر PLS به ترتيب برابر 82.34 درصد، 0.0011 ثانيه و 30202 بايت، براي طبقه بند KNN به ترتيب 79 درصد، 0.09 ثانيه و 907720 بايت و براي طبقه بند SVM به ترتيب، 76.67 درصد، 0.05 ثانيه و 320400 بايت بدست آمد، كه نشان دهنده عملكرد بهتر طبقه بند PLS براي سيستمهاي پوشيدني است.