انتخاب کانالهای موثر سیگنال EEG برای تشخیص حالتهای احساسی برمبنای اطلاعات زیرباندهای فرکانسی
شکیبا افسر
1
(
دانشکده مهندسی برق، واحد نجف‌آباد، دانشگاه آزاد اسلامی، نجف‌آباد، ایران
)
مهدی خضری
2
(
دانشكده مهندسي برق، واحد نجف آباد، دانشگاه آزاد اسلامي، نجف آباد، ايران.
)
کلید واژه: تشخیص احساس, سیگنال EEG, الگوی فضایی مشترک, طیف توان, آنالیز مولفه های اصلی, ماشین بردار پشتیبان,
چکیده مقاله :
طراحی یک سیستم تشخیص احساس قابل اعتماد با انتخاب الکترودهای با اطلاعات بیشتر سیگنال EEG در این مطالعه مدنظر قرار گرفته است. چالش اصلی در استفاده از سیگنال EEG تعداد بالای الکترودها در ثبت دادههاست؛ که در نتیجهی آن افزایش حجم محاسبات و زمان پردازش، و در مواردی خطای قابلتوجه در طبقهبندی بهدلیل افزونگی اطلاعات ایجاد میشود. بهمنظور کاهش تأثیر این موارد، در مطالعه حاضر یک سیستم تشخیص احساسات مبتنی بر الگوریتم الگوی فضای مشترک (CSP) برای انتخاب کانالهای مؤثر ارایه شد. سیگنالهای EEG پایگاه دادهي DEAP که از 32 نفر درحین تماشای ویدیوهای احساسی ثبت شدهاند؛ بهمنظورارزیابی روش پیشنهادی بهکار گرفته شدند. زیرباندهای تتا، آلفا، بتا و گاما برای سیگنالهای EEG تعیین شدند؛ و سپس انتخاب کانالها برمبنای اطلاعات زیرباندهای سیگنال با روش CSP انجام شد. با اعمال روش، الکترودهای F4-F8-AF4-Fp2-Fz-Cz از بین32 کانال اولیه انتخاب شدند؛ و ویژگی بیشینه چگالی طیف توان برای زیرباندهای فرکانسی کانالهای برگزیده محاسبه شد. سپس با استفاده از آزمون t و روش تحلیل مولفههاي اصلی (PCA) فرایند انتخاب ویژگیها و نگاشت فضای ویژگیها انجام شد. برای طبقهبندی دادهها و تشخیص حالتهای احساسی، ماشین بردار پشتیبان (SVM) بهکار گرفته شد. نتایج کسب شده بیانگر عملکرد مطلوب سیستم پیشنهادی در شناسایی چهار حالت احساسی است؛ بهگونهای که حالتهای موردنظر با دقت 84 درصد شناسایی شدند. نتایج بهدست آمده تأثیر انتخاب کانالهای EEG را در عملکرد سیستم تشخیص احساسات علیرغم استفاده از تنها یک ویژگی طیف توان نشان میدهد. بدیهی است با افزایش تعداد و نوع ویژگیها، نتایج همچنان بهبود خواهند داشت.
چکیده انگلیسی :
The design of a reliable emotion recognition system by selecting electrodes with more EEG signal information is considered in this study. The main challenge in using the EEG signal is the high number of recording electrodes, which results in an increase in the computational complexity and processing time. In order to reduce the impact of these cases in the present study, an emotion recognition system was presented using the common spatial pattern (CSP) algorithm to select effective channels. The EEG signals of the DEAP database were used to evaluate the proposed method. Theta, Alpha, Beta and Gamma frequency subbands were separated for EEG signals; And then the best channels were chosen by the CSP method for the subbands. By applying the method, the F4-F8-AF4-FP2-FZ-CZ electrodes were selected from the first 32 channels; And the maximum power spectrum for the frequency subbands of the selected channels was calculated as a feature. Then, using t-test and principal component analysis (PCA), the process of feature selection was done. The support vector machine (SVM) was used for emotion detection. The obtained results indicate the optimal performance of the proposed system in identifying four emotional states; So that the emotions were identified with 84% accuracy. The results show the effect of selecting EEG channels on the performance of the emotion detection system despite using only one feature of maximum power spectrum density. Obviously, as the number and type of features increase, the results will continue to improve.
اعمال روش CSP بر روی زیریاندهای فرکانسی سیگنال EEG برای تعیین کانالهای با اهمیت در تشخیص احساسات.
اانتخاب الکترودهای نواحی پیش پیشانی و پیشانی مغز که متناظر با لوبهای کنترل کننده احساسات هستند.
بهبود عملکرد سیستم در تشخیص حالتهای احساسی علیرغم استفاده از تنها یک ویژگی بیشینه چگالی طیف توان.
[1] R. W. Picard, E. Vyzas, J. Healey, "Toward machine emotional intelligence: analysis of affective physiological state", IEEE Trans. on Pattern Analysis and Machine Intelligence, vol. 23, no. 10, pp. 1175-1191, Oct. 2001 (doi: 10.1109/34.954607).
[2] A. Kermanshahian, M. Khezri, "Evaluation of deep neural networks in emotion recognition using electroencephalography signal patterns", Journal of Intelligent Procedures in Electrical Technolo¬gy, vol. 16, no. 64, pp. 31-46, Mar. 2026 (in Persian).
[3] C. Qing, R. Qiao, X. XU, Y. Cheng, " Interpretable emotion recognition using EEG signals", IEEE Access, vol.7, pp. 94160-94170, Jul. 2019 (doi: 10.1109/ACCESS.2019.2928691).
[4] A.W. Awan, S.M. Usman, S. Khalid, A. Anwar, R. Alroobaea, S. Hussain, J. Almotiri, S.S. Ullah, M.U. Akram, "An ensemble learning method for emotion charting using multimodal physiological signals", Sensors, vol. 22(23), pp.9480, Dec. 2022 (doi:10.3390/s22239480).
[5] C. Qing, R. Qiao, X. XU, Y. Cheng, " Interpretable emotion recognition using EEG signals", IEEE Access, vol.7, pp. 94160-94170, Jul. 2019 (doi: 10.1109/ACCESS.2019.2928691).
[6] Y. Zhao, X. Cao, J. Lin, D. Yu and X. Cao, "Multimodal affective states recognition based on multiscale CNNs and biologically inspired decision fusion model," IEEE Trans. on Affective Computing, vol. 14, no. 2, pp. 1391-1403, Jun. 2023 (doi: 10.1109/TAFFC.2021.3093923).
[7] S. Koelstra, C. Muhl, M. Soleymani, J. lee, A. Yazdani, T. Ebrahimi, T. Pun, A. Nijholt, L. Patras, "Deap: a database for emotion analysis; using physiological signals ", IEEE Trans. on Affective Computing, vol. 3, no.1, pp. 18-31, Jun.2011(doi: 10.1109/T-AFFC.2011.15).
[8] R. Majid Mehmood, R. Du, H. J. Lee, "Optimal Feature Selection and Deep Learning Ensembles Method for Emotion Recognition from Human Brain EEG Sensors," IEEE Access, vol. 5, pp. 14797-14806, 2017, (doi: 10.1109/ACCESS.2017.2724555).
[9] G. Zhao, Y. Ge, B. Shen, X. Wei, H. Wang, "Emotion Analysis for Personality Inference from EEG Signals," IEEE Trans. on Affective Computing, vol. 9, no. 3, pp. 362-371, July-Sept. 2018, (doi: 10.1109/TAFFC.2017.2786207).
[10] R. Nawaz, K. H. Cheah, H. Nisar, Y. V. Voon, "Comparison of different feature extraction methods for EEG-based emotion recognition", Biocybernetics and Biomedical Engineering, vol. 40, no. 3, pp. 910-926, July-Sept. 2020 (doi: 10.1016/j.bbe. 2020.04.005).
[11] I. Farhana, J. Shin, S. Mahmood, M. Rabiul Islam, M. K. I. Molla, "Emotion Recognition Using Narrowband Spatial Features of Electroencephalography," IEEE Access, vol. 11, pp. 44019-44033, 2023 (doi: 10.1109/ACCESS.2023.3270177).
[12] J. Pan, F. Yang, L. Qiu, H. Huang, "Fusion of EEG-Based Activation, Spatial, and Connection Patterns for Fear Emotion Recognition", Computational Intelligence and Neuroscience, vol. 13, no. 2022, Apr. 2022 (doi: 10.1155/2022/3854513).
[13] Y. Park and W. Chung, "Optimal channel selection using covariance matrix and cross-combining region in EEG-based BCI", 7th International Winter Conference on Brain-Computer Interface (BCI), Gangwon, Korea (South), pp. 1-4, February 2019, (doi: 10.1109/IWW-BCI.2019.8737257).
[14] S. Hatamikia, A.M. Nasrabadi, "Common Spatial Pattern Method for Channel Reduction in EEG Based Emotion Recognition", Modares Journal of Electrical Engineering, vol. 13, no.1, pp. 31-43, 2013.
[15] Q. Zhou, A. Jiang and X. Liu, "EEG channel optimization via sparse common spatial filter", IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP), New Orleans, LA, USA, pp. 900-903, March 2017 (doi: 10.1109/ICASSP.2017.7952286).
[16] Y. Park and W. Chung, "Optimal Channel Selection Using Correlation Coefficient for CSP Based EEG Classification", IEEE Access, vol. 8, pp. 111514-111521, June. 2020 (doi: 10.1109/ACCESS.2020.3003056).
[17] F. A. Alturki, M. Aljalal, A. M. Abdurraqeeb, K. Alsharabi, A. A. Al-Shamma’a, "Common Spatial Pattern Technique with EEG Signals for Diagnosis of Autism and Epilepsy Disorders", IEEE Access, vol. 9, pp. 24334-24349, Feb. 2021 (doi: 10.1109/ACCESS.2021.3056619).
[18] F. Qi, W. Wu, Z. L. Yu, Z. Gu, Z. Wen, T. Yu, Y. Li, "Spatiotemporal-Filtering-Based Channel Selection for Single-Trial EEG Classification", IEEE Trans. on Cybernetics, vol. 51, no. 2, pp. 558-567, Feb. 2021, (doi: 10.1109/TCYB.2019.2963709).
[19] H. Ramoser, J. Muller-Gerking, G. Pfurtscheller, "Optimal spatial filtering of single trial EEG during imagined hand movement", IEEE Trans. on Rehabilitation Engineering, vol. 8, no. 4, pp. 441-446, Dec. 2000, (doi: 10.1109/86.895946).
[20] S. Karimi-Shahraki, M. Khezri, "Identification of ADHD patients using wavelet-based features of EEG signals", Journal of Intelligent Procedures in Electrical Technology, vol. 12, no. 47, pp. 1-11, Dec. 2021 (in Persian) (doi: 20.1001.1.23223871.1400.12.3.1.1).
[21] M. Dorvashi, N. Behzadfar, G. Shahgholian, "An efficient method for classification of alcoholic and normal electroencephalogram signals based on selection of an appropriate feature", Journal of Medical Signals and Sensors, vol.13, no. 1, pp. 11-20, March 2023 (doi: 10.4103/jmss.jmss_183_21).
[22] P. Stoica, R. L. Moses, "Spectral analysis of signals", vol. 452. Upper Saddle River, NJ: Pearson Prentice Hall, 2005.
[23] A. Maćkiewicz, W. Ratajczak, " Principal components analysis (PCA) ", Computers & Geosciences, vol.19, no.3, pp. 303-342, Mar.1993 (doi: 10.1016/0098-3004(93)90090-R).
[24] H. Peng, W. Lin, G. Cai, S. Huang, Y. Pei, T. Ma, "DW-FBCSP: EEG emotion recognition algorithm based on scale distance weighted optimization", 43rd Annual International Conference of the IEEE Engineering in Medicine & Biology Society (EMBC), Mexico, pp. 430-433, November 2021 (doi: 10.1109/EMBC46164.2021.9629850).
[25] J. X. Chen, P. W. Zhang, Z. J. Mao, Y. F. Huang, D. M. Jiang, Y. N. Zhang, "Accurate EEG-Based Emotion Recognition on Combined Features Using Deep Convolutional Neural Networks", IEEE Access, vol. 7, pp. 44317-44328, Mar. 2019 (doi: 10.1109/ACCESS.2019.2908285).
[26] M. A. Asghar, M.J. Khan, Fawad, Y. Amin, M. Rizwan, M. Rahman, S. Badnava, S.S. Mirjavadi, "EEG-Based Multi-Modal Emotion Recognition using Bag of Deep Features: An Optimal Feature Selection Approach", Sensors, vol. 19, no. 23, pp. 5218, Nov. 2019 (https://doi.org/10.3390/s19235218).
[27] Y. Luo, F. Qiang, X. Juntao, Q. Yunbai, W. Guopei, L. Junxiu, J. Frank, C. Yi, D. Xuemei, "EEG-Based Emotion Classification Using Spiking Neural Networks," IEEE Access, vol. 8, pp. 46007-46016, Mar. 2020 (doi: 10.1109/ACCESS.2020.2978163).