طبقه‌بندي هيجانات به كمك تحليل طيف مرتبه بالاي سيگنال‎ مغزي

Classification of EEG Signals Variation in Emotional State Using HigherOrder Spectral

هدف:هيجانات نقش مهمي در زندگي انسان ايفا مي‎كنند. ديناميك سيستم اعصاب مركزي، متناسب با حالات رواني انسان از جمله هيجانات دستخوش تغييرات مي‎شوند‎؛ بنابراين با تحليل سيگنال‎هاي مغزي مي‎توان وضعيّت سيستم اعصاب را آشكار كرد. روش: خواص جالب طيف‎هاي مرتبه بالا (HOS) در استخراج اطلاعات فاز سيگنال، استفاده از اين طيف‎ها را در زمينه پردازش سيگنال، خصوصا? سيگنال مغزي (EEG)مطرح كرده است. در اين مقاله، براي نخستين بار مقادير دو طيفي و دو همدوسي به‎عنوان دو نمونه از پركاربردترين توابع HOS به‎منظور ارزيابي تغييرات EEG در حالت هيجان براي تفكيك سه حالت آرامش، تحريك مثبت و تحريك منفي بكار رفته است. در اين تحقيق از داده موجود در اينترفيس كه براساس زير مجموعه‎اي از تصاوير IAPS است،استفاده شده است.با استفاده از ويژگي‎هاي استخراجي از صفحه دو فركانسي و آزمون Hinich، ويژگي‎هايي براي هر كانال ثبت استخراج شده است. تابع تفكيك بهينه از تركيب الگوريتم ژنتيك و ماشين بردار پشتيباناستفاده شده است. يافته ها: نتايج نشان مي‎دهند، بيشترين تغييرات سيگنال EEG در حالت هيجان مربوط به نواحي فركانسي‎ مي‎باشد. نتايج نشان مي دهند، سه حالت هيجاني با درصد صحت تفكيك متوسط 52% از يكديگر تشخيص داده شده‎اند. نتيجه گيري:نتايج بدست آمده، مشابه تحقيق ديگر قبلي در اين زمينه مي‎باشد و بهبود جزيي در نتايج حاصل شده است. نتايج كيفي و شهودي اين تحقيق، نيز تفاوت بين سه حالت هيجاني را نشان مي‎دهند. بنابراين طيف‎هاي مرتبه بالا از جمله روش‎هاي مفيد در بازنمايي رفتار مغز در حالات هيجاني است.

Emotions play an important role in human life. Electroencephalogram (EEG) is the reflection of brain activity and is widely used in clinical diagnoses and biomedical researches. This paper proposes an emotion recognition system based on EEG signals. Method: The visual-induction-based acquisition protocol has been designed for acquiring the EEG signals under three emotional states (calm-neutral, positive-excited and negative-excited) for participants. After preprocessing the signals, higher order spectra (HOS) are employed to extract the many features required for classifying human emotions. In this paper, for the first time, two values are used,such as bispectrum and bicoherence, in order to evaluate the EEG changes in the excited state. In this work, we used genetic algorithm and support vector machines (SVM) for classifying the emotions. Results: The results show that, most EEG signal variations correlated with beta frequency band. Hence, with selected HOS-based features, we achieve average accuracy of 52% for three Categories. Conclusion: The results confirm the possibility of using HOS-based features in assessing human emotions from EEG signals. In comparison to other works, they did not show any significant difference in accuracy.HOSis auseful method in representation of emotional states of thebrain.