بهبود دقت در تشخيص احساسات با استفاده از سيگنال‌هاي eeg با نوآوري در تركيب استخراج ويژگي

New Feature Extraction Method for Precision Improvement in Emotion Detection Using EEG Signals

از آنجا كه احساسات نقش مهمي در زندگي روزمره انسان بازي مي كند، ايجاد روشي هوشمند جهت بهبود قابليت تشخيص احساسات از سيگنال الكتروانفسالوگرافي (eeg) ، مبتني بر تكنيك هاي پردازش سيگنال، ضروري به نظر مي رسد. به علاوه، استفاده از طبقه بند ماشين بردار پشتيبان بهينه شده با الگوريتم تكاملي ژنتيك، از نوآوري هاي اين پژوهش در بخش طبقه بندي مي باشد.روش: روش پيشنهادي با تمركز بر روي استخراج و طبقه بندي ويژگي ها بر مبناي سيگنال هاي دريافتي از مغز سعي بر بهبود تشخيص احساسات دارد. در اين راستا با شناسايي كانال هاي eeg كه در استخراج ويژگي نقش دارند، از ويژگي هاي زمان - فركانس سيگنال هاي eeg استفاده شده و اين ويژگي ها توسط يك طبقه بند مناسب، طبقه بندي مي شوند. الگوريتم پيشنهادي بر روي پايگاه داده deap كه با ثبت سيگنال eeg از 32 شركت كننده در هنگام تماشاي 40 نوع ويدئوموسيقي تهيه شده است، مورد آزمايش قرار گرفت.نتايج: نتايج به دست آمده نشان مي دهد كه انتخاب 7.5 ثانيه و 3 كانال از داده هاي ورودي، نتايج قابل قبولي را ارائه مي دهد. به علاوه باعث كاهش حجم محاسبات و حافظه مورد نياز براي پردازش شده و به دقت 93/86% در طبقه بندي 4 احساس دست يافته است.نتيجه گيري: بهبود دقت در تشخيص احساسات مبتني بر سيگنال eeg گام هاي متعددي دارد كه استخراج ويژگي هاي كارآمد و طبقه بندي موثر آن ها دو گام مهم در اين راستا مي باشد. بر اساس نتايج اين تحقيق، در نظر گرفتن ويژگي هاي حوزه هاي زمان و فركانس سيگنال هاي eeg و به كارگيري الگوريتم svm چند كلاسه كه توسط الگوريتم تكاملي ژنتيكي بهينه سازي شده است، عملكرد بهتري را فراهم مي كند.

Introduction: Since emotions play an important role in human life, it requires providing an intelligent method to detect emotions using electroencephalogram (EEG) signal based on signal processing techniques. In addition, in this research, using support vector machine (SVM) classifier with genetic evolutionary algorithm is a novelty in classification part. Methods: The proposed method focuses on feature extraction and classification of received signals from brain to improve emotion detection. In this way, firstly, effective EEG channels are identified and then time and frequency features of EEG signals are extracted and classified by an appropriate classifier. The proposed method is applied on DEAP database which includes recorded EEG signals by 32 people watching and listening 40 videos and music. Results: The experiments show that selection of 7.5 seconds and 3 EEG channels provides acceptable results. In addition, the proposed method reduces computations and required memory and results in 93.86% accuracy for 4 emotion classification. Conclusion: Improvement in emotion detection based on EEG signals contains several steps in which effective features extraction and classification are two important steps. According to this research, using time-frequency features of EEG signals and optimized SVM classifier with genetic algorithm provides better results