كليدواژه :
طبقه بندي احساسات , سيگنال هاي EEG , سيگنال هاي فيزيولوژيك , استخراج ويژگي , پردازش سيگنال ها
چكيده فارسي :
مقدمه: احساس نقش مهمي در سلامت، ارتباط و تعامل بين انسانها دارد. توانايي شناخت حالات حسي افراد قسمت مهمي از شاخص هاي سلامتي و ارتباط هاي طبيعي است. در پايگاه داده DEAP، سيگنال هاي الكتروانسفالوگرام و سيگنال هاي فيزيولوژيكي محيطي مربوط به 32 داوطلب ثبت شده است. شركت كنندگان در هر ويدئو از نظر سطح انگيختگي، ظرفيت، دوست داشتن/نداشتن، تسلط و آشنايي با ويدئوي مشاهده شده امتياز داده شدند.
روش: در اين مقاله روش تجربي و كاربردي جهت طبقه بندي ظرفيت، انگيختگي، تسلط و علاقه، توسط رتبه بندي ويژگي هاي استخراج شده از سيگنال ها با استفاده از الگوريتم هايي بر روي سيگنال هاي EEG و سيگنال هاي فيزيولوژيكي محيطي (نظير سيگنال هاي الكترومايوگرام، الكترواوكولوگرام، پاسخ الكتريكي پوست، نرخ تنفس، پلتيسموگرام و دماي پوست) انجام گرديد. پس از فراخواني سيگنال ها از پايگاه داده و پيش پردازش اوليه آنها، ويژگي هاي مختلف در حوزه زمان و فركانس از كليه سيگنال ها استخراج گرديد. در اين مقاله از طبقه بندي كننده هاي SVM و KNN، الگوريتم خوشه بندي K-means و شبكه هاي عصبي PNN و GRNN جهت تشخيص و طبقه بندي احساسات استفاده شد.
نتايج: در نهايت نشان داده شد كه نتايج نهايي طبقه بندي احساسات توسط روش ها و طبقه بندي كننده هاي مختلف در اين مقاله با دقت بالا صورت مي پذيرد. بهترين نتايج صحت حاصل از به كارگيري روش پيشنهاد شده با استفاده از ويژگي هاي استخراج شده از سيگنال هاي محيطي و ويژگي هاي استخراج شده از سيگنال هاي EEG به ترتيب برابر 85/5% و 82/4% به ازاي ورودي طبقه بندي كننده SVM حاصل گرديد.
نتيجه گيري: با توجه به نتايج نهايي درخصوص طبقه بندي احساسات در اين مقاله، الگوريتم ارائه شده نتايج نسبتاً مناسبتري نسبت به ساير روش هاي مشابه پيشين ارائه داده است.
چكيده لاتين :
Introduction: Emotions play an important role in health, communication, and interaction between
humans. The ability to recognize the emotional status of people is an important indicator of health
and natural relationships. In DEAP database, electroencephalogram (EEG) signals as well as
environmental physiological signals related to 32 volunteers are registered. The participants in each
video were rated in terms of level of arousal, capacity, liking/disliking, proficiency, and familiarity
with the video they watched.
Method: In this study, a practical empirical method was adopted to classify capacity, arousal,
proficiency, and interest by ranking the features extracted from signals using algorithms on EEG
signals and environmental physiological signals (such as electromyography (EMG),
electrooculography (EOG), galvanic skin response (GSR), respiration rate, photoplethysmography
(PPG), and skin temperature. After initializing the signals from the database and pre-processing
them, various features in the time and frequency domain were extracted from all signals. In thi s
study, SVM and KNN classifiers, K-means clustering algorithm, and neural networks, such as PNN
and GRNN were used to identify and classify emotions.
Results: It was indicated in this study that the results of the classification of emotions using various
methods and classifiers were well-established with high accuracy. The best accuracy results were
obtained by applying the proposed method using SVM classifier based on features extracted from
environmental signals (85.5%) and EEG signals (82.4%).
Conclusion: According to the results of the classification of emotions in this study, the proposed
algorithm provides relatively better results compared with previous similar methods.
