عنوان مقاله :
تشخيص هيجانات القاشده با تحريك شنوايي از سيگنال‌هاي EEG براساس شبكه‌هاي يادگيري عميق
پديد آورندگان :
شيخي وند ، سبحان دانشگاه تبريز - دانشكده مهندسي برق و كامپيوتر , موسوي ، زهره دانشگاه تبريز - دانشكده مهندسي مكانيك , يوسفي رضايي ، توحيد دانشگاه تبريز - دانشكده مهندسي برق و كامپيوتر , اعلايي ، شعله دانشگاه آزاد اسلامي واحد اروميه - گروه فيزيك
كليدواژه :
EEG , هيجان , تحريك موسيقيايي , CNN
چكيده فارسي :
هيجانات، براي تفسير درست اقدامات و نيز ارتباطات بين انسان‌ها مهم‌اند. شناخت هيجانات ازطريق سيگنال الكتروانسفالوگرام (EEG)، امكان تشخيص حالات هيجاني را بدون روش‌هاي سنتي ازجمله پركردن پرسشنامه، ميسر و بدون معاينات و ويزيت‌هاي باليني، هيجان مدنظر را در فرد بازگو مي‌كند كه نقش بسيار مهمي در تكميل‌كردن پازل تعامل بين مغز و كامپيوتر (BCI) دارد. يكي از مشكلات تشخيص خودكار هيجانات، استخراج ويژگي‌هاي مطلوب است؛ به گونه‌اي كه اين ويژگي‌ها بيشترين تمايز را بين مراحل مختلف هيجاني ايجاد مي‌كنند. فرآيند يافتن ويژگي‌هاي مناسب، عموماً امري زمان‌بر است. در اين پژوهش، رويكرد جديدي براي شناسايي خودكار 3 حالت مثبت، منفي و خنثي از هيجانات مبتني بر تحريك شنوايي از سيگنال‌هاي EEG ارائه شده است. در روش پيشنهادي، مستقيماً سيگنال EEG ثبت‌شده، ورودي شبكۀ عميق كانولوشنال و شبكۀ حافظۀ طولاني كوتاه‌مدت (CNN-LSTM) در نظر گرفته مي‌شود؛ بدون اينكه از استخراج/انتخاب ويژگي كلاسيك استفاده شود. موارد گفته‌شده به‌عنوان روند چالش‌برانگيز در ادبيات قبلي مطرح شده است. معماري شبكۀ پيشنهادي به‌صورت 10 لايه كانولوشن با 3 لايه LSTM و به دنبال آن، 2 لايه كاملاً متصل طراحي شده است. نتايج شبيه‌سازي روش پيشنهادي براي طبقه‌بندي 2 حالت و 3 حالت از هيجانات به‌ترتيب صحت 97.42 % و 95.23 % و ضريب كاپاكوهن 0.96 و 0.93 را ارائه مي‌دهند. علاوه بر اين، مقايسه نتايج حاصل‌شده با روش‌هاي رايج، عملكرد مطلوب روش پيشنهادي را نشان مي‌دهد.
عنوان نشريه :
هوش محاسباتي در مهندسي برق
عنوان نشريه :
هوش محاسباتي در مهندسي برق
