كليدواژه :
تشخيص احساس , انتخاب ويژگي چند وظيفه اي , برانگيختگي , ظرفيت , پردازش سيگنال مغزي
چكيده فارسي :
تحقيقات نشان مي‌دهد كه احساس، يك فرآيند ذهني و متوجه مغز انسان است و روي فرآيندهاي مهمي چون حافظه، تمركز، تفكر و تصميم‌گيري اثر دارد. به همين دليل مطالعه مكانيزم و عملكرد آن مورد توجه محققان علوم شناختي قرار گرفته است. مطالعه احساس از طريق پردازش سيگنال‌هاي بيولوژيكي، علاوه بر كاربردهاي كلينيكي كه در زمينه تشخيص و درمان به موقع ناهنجاري‌هاي رواني مي‌تواند داشته باشد، در علوم مبتني بر تعاملات انسان و رايانه نيز نقش مهمي بازي مي‌كند و باعث پيشرفت‌هاي زيادي در اين زمينه مي‌گردد. اما با توجه به اين‌كه معمولا تعداد كانال‌ها و ويژگي‌هاي استخراج شده از سيگنال مغز زياد مي‌باشد، انتخاب كانال‌هاي مرتبط، با هدف ويژگي‌هاي موثر، نقش بسزايي در كارايي اين روش‌ها دارد. از طرفي اين ويژگي‌ها بايستي به نحوي باشند كه در مواجهه با افراد جديد نيز كارايي مناسبي داشته باشند. به همين منظور در اين مقاله براي انتخاب كانال‌هاي مرتبط با احساسات و انتخاب ويژگي‌هاي مناسب مستقل از افراد، رويكرد چند وظيفه‌اي ارايه شده است. همچنين براي نشان دادن كارايي روش پيشنهادي از دادگان DREAMER و DEAP استفاده شد و با در نظر گرفتن دو بعد احساسي برانگيختگي و ظرفيت آزمايشاتي براي نشان دادن كارايي مطلوب روش پيشنهادي در انتخاب كانال و ويژگي مستقل از فرد انجام شد. نتايج اين آزمايشات نشان مي‌دهد كه روش پيشنهادي نسبت به روش‌هاي مطرح در اين حوزه كارايي بهتري دارد.
چكيده لاتين :
Several researches have shown that emotion is a mental process and relates to the human’s brain. The emotion has impacts on important procedures, such as memory, concentration, thinking and decision-making. As a result, investigating the mechanism and performance of the emotion have attracted the cognitive science researchers’ attentions. In addition to clinical applications on quick detection, diagnosis and treatment of psychological disorders, investigating the emotion through biological signal processing can play an important role in human-computer communication-based sciences. This will result in progressive improvements in this field. Due to the fact that number of channels and features extracted out of the EEG signal are usually high, selecting relevant channels, with the aim of obtaining effective features, can have a prominent role in the efficiency of these methods. On the other hand, these features should result in the appropriate efficiency when encounter new subjects. In this paper, a multi-task approach is represented for emotion-related channel selection and proper subject-independent feature selection purposes. Moreover, to demonstrate the efficiency of the proposed method, DREAMER and DEAP datasets are used. Also, considering two emotional dimensions, including arousal and valance, some experiments are performed to show the desired efficiency of the proposed method for channel selection and subject-independent feature selection. Experimental results show that the proposed method has better efficiency in comparison with used methods.
