تشخيص احساسات بر مبنای تجزیه سيگنال الکتروانسفالوگرام
محورهای موضوعی : مهندسی پزشکی- بیوالکتریکفاطمه عدلی 1 , حمیدرضا حسین زاده 2 * , محمد مهدی مرادی 3
1 - دانشکده مهندسی برق و کامپیوتر، واحد تهران شمال، دانشگاه آزاد اسلامی، تهران، ایران
2 - دانشکده مهندسی برق و کامپیوتر، واحد تهران شمال، دانشگاه آزاد اسلامی، تهران، ایران
3 - دانشکده فنی مهندسی، دانشگاه فنی مهندسی، شهید چمران، کرمان، ایران
کلید واژه:
چکیده مقاله :
در این پژوهش، یک سیستم جامع برای تشخیص و طبقه‌بندی احساسات بر پایه تحلیل غیرخطی سیگنال الکتروانسفالوگرام (EEG) معرفی شده است. به این منظور، ابتدا از داده‌های پایگاه داده DEAP استفاده شد که شامل سیگنال‌های ثبت‌شده از ۳۲ شرکت‌کننده در حین تماشای موزیک ویدیو است. مدت‌زمان هر ویدیو ۱۲۰ دقیقه بود و احساسات فرد برای هر دقیقه به‌صورت جداگانه برچسب‌گذاری شد. این برچسب‌گذاری با تحلیل ویدیویی چهره شرکت‌کنندگان توسط یک روانشناس انجام گرفت. در مرحله بعدی، سیگنال‌های EEG تحت فرآیندهای حذف نویز و فیلتراسیون قرار گرفتند. این فرآیند شامل دو مرحله فیلتر بود: یکی در حوزه فرکانس و دیگری در حوزه فرکانس-زمان. فیلتر دامنه فرکانس-زمان با ضرایب پیش‌فرض مناسب برای حذف نویز از منابع ناشناخته به کار گرفته شد پس از آماده‌سازی سیگنال، ویژگی‌های زمانی، فرکانسی و تحلیل‌های غیرخطی بی‌روند استخراج شدند. در نهایت، با استفاده از طبقه‌بندی‌کننده ترکیبی Adaboost، عمل طبقه‌بندی احساسات صورت گرفت. نتایج به‌دست‌آمده نشان داد که این روش توانایی بالایی در تفکیک احساسات مختلف دارد و به دقت 97%، حساسیت 90% و شاخص ویژگی 99% دست یافته است. این عملکرد بالا، برتری روش پیشنهادی را نسبت به مقالات مشابه تأیید می‌کند. به طور کلی، استفاده از طبقه‌بندی‌کننده‌های ترکیبی به دلیل توانایی آن‌ها در ترکیب ویژگی‌های مختلف، دقت طبقه‌بندی را به طور چشمگیری افزایش می‌دهد.
In this research, a comprehensive system is introduced for emotion detection and classification based on nonlinear analysis of electroencephalogram (EEG) signals. For this purpose, data from the DEAP database was used, which includes signals recorded from 32 participants while watching music videos. The duration of each video was 120 minutes, and the individual's emotions were labeled separately for each minute. This labeling was performed by a psychologist through video analysis of the participants' facial expressions. In the next step, the EEG signals were subjected to noise removal and filtration processes. This process involved two stages of filtering: one in the frequency domain and the other in the time-frequency domain. A time-frequency domain filter with default coefficients suitable for removing noise from unknown sources was employed. After signal preparation, temporal, frequency, and trend-free nonlinear features were extracted. Finally, emotion classification was performed using a hybrid “Adaboost” classifier. The results showed that this method has a high capability in differentiating various emotions, achieving an accuracy of 97%, a sensitivity of 90%, and a specificity of 99%. This high performance confirms the superiority of the proposed method compared to similar articles. Overall, the use of hybrid classifiers significantly increases classification accuracy due to their ability to combine different features