در این مطالعه طراحی یک سیستم قابل اعتماد که قادر به شناسایی احساسات مختلف با دقت مطلوب باشد، مورد توجه قرار گرفته است. برای رسیدن به این هدف، دو ساختار برای سیستم تشخیص احساسات شامل 1) ویژگی‌های خطی و غیرخطی سیگنال الکتروانسفالوگرام (EEG) به همراه طبقه‌بندهای رایج و 2) سیگنال EEG در یک ساختار یادگیری عمیق مدنظر قرار گرفته‌است. برای طراحی سیستم، سیگنال‌های EEG پایگاه داده DEAP که از ۳۲ نفر با نمایش ویدیوهای احساسی ثبت شده‌اند، مورد استفاده قرارگرفتند. پس از آماده‌سازی و حذف نویز، ویژگی‌های سیگنال شامل چولگی، کشیدگی، پارامترهای جورث، نمای لیاپانف‌، آنتروپی شانون، بعد همبستگی، بعد فرکتال و برگشت‌پذیری زمان از زیرباندهای آلفا، بتا و گاما استخراج شدند. سپس با توجه به ساختار یک، ویژگی‌های تعیین شده به‌عنوان ورودی به طبقه‌بندهای رایج مانند درخت تصمیم (DT)، k نزدیک‌ترین همسایه (kNN) و ماشین بردار پشتیبان (SVM) اعمال شدند. همچنین مطابق با ساختار دو، سیگنال EEG به‌عنوان ورودی شبکه عصبی کانولوشنی (CNN) درنظر گرفته شد. هدف ارزیابی نتایج شبکه‌های آموزش عمیق و سایر روش‌ها برای تشخیص احساسات است. با توجه به نتایج کسب شده، SVM با دقت 1/94 درصد بهترین عملکرد را برای شناسایی چهار حالت احساسی به‌‌دست آورد. همچنین CNN پیشنهادی، با دقت 86 درصد حالت‌های موردنظر را شناسایی کرد. روش‌های یادگیری عمیق به‌‌دلیل این‌که به تعیین ویژگی برای سیگنال‌ها نیاز ندارند و در برابر نویزهای مختلف مقاومند، نسبت به طبقه‌بندهای ساده برتری دارند. Manuscript profile

یک روش‌ برای تعیین فرمان‌های حرکتی برای کنترل پروتزهای دست، استفاده از الگوهای سیگنال‌ الکترومایوگرام سطحی (sEMG) است. با توجه به ماهیت تصادفی و غیرایستای سیگنال ، ایده استفاده از اطلاعات سیگنال در بازه های زمانی کوچک مورد بررسی قرار گرفت. در این مطالعه با هدف تشخیص دقیق تر و سریع تر حرکت های دست، دو روش تجزیه سیگنال شامل تبدیل موجک گسسته (DWT) و تجزیه مد تجربی (EMD) ارزیابی شده اند. سیگنال‌های مجموعه ‌داده نیناپرو DB1 که از 27 فرد سالم در حین انجام حرکت های دست و انگشتان استخراج شده اند، برای طراحی سیستم به کار رفته است. ویژگی های زمانی ساده با قابلیت محاسبه سریع برای هر زیرباند از سیگنال های تجزیه شده به کار گرفته شدند. همچنین ماشین بردار پشتیبان (SVM) با استفاده از توابع کرنل مختلف به عنوان طبقه بندی کننده مورد استفاده قرار گرفت. نتایج به دست آمده نشان می دهد، استفاده از روش های تبدیل موجک گسسته و تجزیه مد تجربی با قابلیت دسترسی به اطلاعات زیربازه های زمانی و فرکانسی سیگنال ها، نتایج بهتری در شناسایی حرکت های دست در مقایسه با مطالعات گذشته ارایه می کند. با روش تجزیه مد تجربی و تعداد هشت تابع مد ذاتی، بالاترین دقت تشخیص با مقدار 3/83 درصد برای شش حرکت به‌دست آمد. همچنین روش تبدیل موجک گسسته با موجک مادر بای ارتوگونال 5/5 در پنج سطح تجزیه، دقت تشخیص 80 درصد را برای ده حرکت و با موجک مادر کویفلت 2 در شش سطح تجزیه، دقت 33/83 درصد را برای شناسایی هشت حرکت کسب کرد. نتایج به دست آمده عملکرد بهتر روش تجزیه موجک در مقایسه با تجزیه مد تجربی را برای طراحی سیستم شناسایی حرکت های دست با استفاده از الگوهای سیگنال الکترومایوگرام سطحی نشان می دهد. Manuscript profile