بازشناسي خودكار حالت عاطفي مبتني بر تغييرات فيزيولوژيك

Automatic Affective State Recognition Using Physiological Changes

بازشناسي خود كار حالت عاطفي به منظور بهبود ارتباط انسان و رايانه، تحقيقات باليني و كاربرد هاي متنوّع ديگر در چند سال اخير مورد توجّه محقّقان بوده است. از جمله روش هاي بازشناسي خود كار حالت عاطفي كه نسبت به روش هاي ديداري- شنيداري، به آن توجّه كمتري شده است، نظارت بر تغييرات فيزيولوژيك به وسيله ثبت سيگنال هاي محيطي مي باشد. حالت هاي مختلف عاطفي باعث تحريك دستگاه عصبي خودمختار و به دنبال آن تغييرات فيزيولوژيك به وسيله دو بخش سمپاتيك و پاراسمپاتيك و ايجاد الگوهاي مشخّص در سيگنال هاي محيطي مي شود. در اين پژوهش سعي مي گردد، آزمايشي مطمين به منظور ايجاد چهار وضعيت عاطفي مشخّص در 25 داوطلب سالم و ثبت هم زمان سيگنا ل هاي محيطي برپا شود. همچنين، روش جديدي در انتخاب افراد شركت كننده در آزمايش پيشنهاد مي گردد. علاوه بر آن پس از پيش پردازش هاي مناسب، ويژگي هاي متنوّعي از سيگنال ها استخراج مي شود. در ادامه، مقايسه اي بين روش هاي كاهش بعد و دسته بندي كننده براي نيل به بهترين درصد صحّت تفكيك ، چهار وضعيت عاطفي انجام مي شود. روش پيشنهاد شده مي تواند حالت هاي عاطفي مشخص را با دقّت ميانگين 3/84% براي روش هاي مختلف كاهش بعد و دسته بندي كننده تفكيك كند. نتايج اين پژوهش مي تواند به برون آزمايشگاهي شدن اين روش بازشناسي كمك نمايد.

Recently, automatic affective state recognition has been noteworthy for improving Human Computer Interaction (HCI), clinical researches and other various applications. Little attention has been paid so far to physiological signals for affective state recognition compared to audio-visual methods. Different affective states stimulate the Autonomic Nervous System (ANS) and lead to changes in physiology via the Sympathetic and Parasympathetic system and generation of specific patterns in physiological signals. In this study, we setup a reliable experiment to elicit four specific affective states in 25 healthy cases and record the physiological signals simultaneously. We also proposed a novel method to choose the cases. In addition, after the appropriate preprocessing, different features were extracted from the signals. Furthermore we compared various dimension reduction and classification methods to obtain a higher classification’s accuracy. An average accuracy of 84.3% was achieved by using the different dimension reduction and classification methods. The results show that our proposed method improved the accuracy of recognition and it can result in developing a realistic application.