طبقه‌بندي خودكار احساسات مرتبط با رويا با استفاده از ويژگي‌هاي غيرخطي سيگنال الكتروانسفالوگرام

تجربه‌ي رويا دنياي درون انسان را به فرآيندهاي احساسي‌اش مرتبط ساخته و درك و شناخت عملكرد مغز در اين مرحله از خواب را ممكن مي‌سازد. در سال‌هاي اخير تحقيقات گسترده‌اي براي تشخيص احساسات در حالت بيداري و با استفاده از سيگنال‌هاي الكتروانسفالوگرام انجام شده است؛ اما با اينكه فعاليت احساسات بعد از خواب هم در قالب رويا ادامه پيدا مي‌كند و بهتر مي‌تواند مجموعه‌اي از حالات فيزيولوژيكي و فيزيكي بدن را نشان دهد، تحقيقات محدودي براي طبقه‌بندي و ارزيابي احساسات در رويا انجام شده است. در اين مطالعه ابتدا سيگنال الكتروانسفالوگرام با استفاده از تبديل موجك گسسته به زيرباندهاي مختلف تجزيه شد. سپس ويژگي‌هاي غيرخطي مانند آنتروپي تفاضلي، آنتروپي جايگشت و آنتروپي شباهت كسينوسي از هر كدام از زيرباندهاي به‌دست‌آمده استخراج شد. پس از آن بهترين مجموعه از ويژگي‌ها با استفاده از تكنيك انتخاب متوالي رو به جلو (SFS) انتخاب شد و به‌عنوان ورودي به مدل‌هاي نزديكترين همسايگي (KNN)، ماشين بردار پشتيبان (SVM) و حداكثر افزايش گراديان (XGBoost) جهت طبقه‌بندي باينري داده شد. عملكرد اين ويژگي‌ها در تفكيك احساسات مثبت و منفي با استفاده از يك مجموعه داده‌ي الكتروانسفالوگرام (EEG) به نام DEED كه از سال ۲۰۲۲ به‌طور عمومي در دسترس بوده است، مورد بررسي قرار گرفت. در اين مجموعه‌ي داده سيگنال EEG ۳۸ نفر در طول ۸۲ شب خواب با كيفيت مطلوب ثبت شده است. نتايج حاصل از طبقه‌بندي نشان داد كه طبقه‌بند KNN مي‌تواند ميانگين صحت ۹۹.۲۶% در تفكيك دو كلاس مثبت و منفي فراهم سازد. نتايج تجربي به‌دست‌آمده روي مجموعه‌ي داده‌ي DEED نشان داد كه اين روش پيشنهادي پتانسيل بالايي در تشخيص احساسات در حالت رويا دارد.