تشخيص احساسات مبتني بر سيگنال‌هاي EEGبا استفاده از ويژگي آنتروپي پراكندگي چندمقياسي

در سال­هاي اخير، با پيشرفت هوش مصنوعي و تكنولوژي رابط بين مغز و رايانه، تشخيص احساس بر اساس سيگنال­هاي فيزيولوژيكي، به­ويژه سيگنال الكتروانسفالوگرام (EEG)، به يك موضوع تحقيقاتي محبوب تبديل شده­است و توجه گسترده­اي را به خود جلب كرده­است. در اين مقاله، براي تعيين كميت پيچيدگي سيگنال­ها در مقياس­هاي زماني متعدد و بهبود نتايج تشخيص احساس، ما آنتروپي پراكندگي چندمقياسي(MDE) را به عنوان يك روش بسيار سريع و قدرتمند، كه مبتني بر توسعه­هاي انجامشده روي آنتروپي پراكندگي مي­باشد، معرفي كرده­ايم. بنابراين، هدف ما استخراج اين ويژگي از سيگنال­هاي EEG و استفاده از آن در تشخيص احساسات ميباشد. ابتدا سيگنال را با استفاده از يك فيلتر باترورث به چهار باند فركانسي گاما، بتا، آلفا و تتا تجزيه مي­كنيم و سپس ويژگي­ها را از همه باندهاي به دست­آمده و سيگنال تجزيه­نشده استخراج مي­كنيم. از طرفي به دليل ماهيت نامتوازن داده­هاي پايگاه داده DEAP، با استفاده از تكنيك بيش نمونه­گيري اقليت مصنوعي، علاوه بر متعادل كردن داده­ها از تمايل بيش از حد طبقه­بند براي پيش­بيني كلاس اكثريت جلوگيري مي­كنيم. روش پيشنهادي علاوه بر توانايي بهتر براي توصيف سيگنال­هاي EEG ، سرعت بالاتري نسبت به ساير ويژگي­هاي آنتروپي در محاسبات دارد. نتايج آزمايش نشان مي­دهد باند گاما بيشترين همبستگي را با احساسات دارد. همچنين، روش پيشنهادي به صحت 95/91% و 21/91% براي طبقه­بندي دوكلاسه برانگيختگي زياد/كم (HA/LA) و ظرفيت زياد/كم (HV/LV) رسيد. همچنين، به­منظور ارزيابي بيشتر مدل پيشنهادي، آن را براي طبقه­بندي احساسات در چهار كلاس نيز بررسيكرديم و متوسط صحت 67/96روي چهار كلاس حاصل شد.