دوره 5، شماره 1 - ( بهار 1397 )
جلد 5 شماره 1 صفحات 55-44 |
برگشت به فهرست نسخه ها
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
zamanian H, farsi H. New Feature Extraction Method for Precision Improvement in Emotion Detection Using EEG Signals. jhbmi 2018; 5 (1) :44-55
URL: http://jhbmi.ir/article-1-273-fa.html
URL: http://jhbmi.ir/article-1-273-fa.html
زمانیان هانیه، فرسی حسن. بهبود دقت در تشخیص احساسات با استفاده از سیگنال‌های EEG با نوآوری در ترکیب استخراج ویژگی
. مجله انفورماتیک سلامت و زیست پزشکی. 1397; 5 (1) :44-55
دانشجوی دکتری مهندسی برق مخابرات، گروه مخابرات، دانشکده برق و کامپیوتر، دانشگاه بیرجند، بیرجند، ایران
چکیده: (6612 مشاهده)
مقدمه: از آنجا که احساسات نقش مهمی در زندگی روزمره انسان بازی می‌کند، ایجاد روشی هوشمند جهت بهبود قابلیت تشخیص احساسات از سیگنال الکتروانفسالوگرافی (EEG)، مبتنی بر تکنیک‌های پردازش سیگنال، ضروری به نظر می رسد. به‌علاوه، استفاده از طبقه‌بند ماشین بردار پشتیبان بهینه شده با الگوریتم تکاملی ژنتیک، از نوآوری‌های این پژوهش در بخش طبقه‌بندی می‌باشد.
روش: روش پیشنهادی با تمرکز بر روی استخراج و طبقه‌بندی ویژگی‌ها بر مبنای سیگنال‌های دریافتی از مغز سعی بر بهبود تشخیص احساسات دارد. در این راستا با شناسایی کانال‌های EEG که در استخراج ویژگی نقش دارند، از ویژگی‌های زمان – فرکانس سیگنال‌های EEG استفاده شده و این ویژگی‌ها توسط یک طبقه‌بند مناسب، طبقه‌بندی می‌شوند. الگوریتم پیشنهادی بر روی پایگاه داده DEAP که با ثبت سیگنال EEG از 32 شرکت‌کننده در هنگام تماشای 40 نوع ویدئو-موسیقی تهیه شده است، مورد آزمایش قرار گرفت.
نتایج: نتایج به دست آمده نشان می‌دهد که انتخاب 7.5 ثانیه و 3 کانال از داده‌های ورودی، نتایج قابل قبولی را ارائه می‌دهد. به علاوه باعث کاهش حجم محاسبات و حافظه مورد نیاز برای پردازش شده و به دقت 86/93% در طبقه‌بندی 4 احساس دست یافته است.
نتیجه‌گیری: بهبود دقت در تشخیص احساسات مبتنی بر سیگنال EEG گام‌های متعددی دارد که استخراج ویژگی‌های کارآمد و طبقه‌بندی مؤثر آن‌ها دو گام مهم در این راستا می‌باشد. بر اساس نتایج این تحقیق، در نظر گرفتن ویژگی‌های حوزه‌های زمان و فرکانس سیگنال‌های EEG و به کارگیری الگوریتم SVM چند کلاسه که توسط الگوریتم تکاملی ژنتیکی بهینه‌سازی شده است، عملکرد بهتری را فراهم می‌کند.
روش: روش پیشنهادی با تمرکز بر روی استخراج و طبقه‌بندی ویژگی‌ها بر مبنای سیگنال‌های دریافتی از مغز سعی بر بهبود تشخیص احساسات دارد. در این راستا با شناسایی کانال‌های EEG که در استخراج ویژگی نقش دارند، از ویژگی‌های زمان – فرکانس سیگنال‌های EEG استفاده شده و این ویژگی‌ها توسط یک طبقه‌بند مناسب، طبقه‌بندی می‌شوند. الگوریتم پیشنهادی بر روی پایگاه داده DEAP که با ثبت سیگنال EEG از 32 شرکت‌کننده در هنگام تماشای 40 نوع ویدئو-موسیقی تهیه شده است، مورد آزمایش قرار گرفت.
نتایج: نتایج به دست آمده نشان می‌دهد که انتخاب 7.5 ثانیه و 3 کانال از داده‌های ورودی، نتایج قابل قبولی را ارائه می‌دهد. به علاوه باعث کاهش حجم محاسبات و حافظه مورد نیاز برای پردازش شده و به دقت 86/93% در طبقه‌بندی 4 احساس دست یافته است.
نتیجه‌گیری: بهبود دقت در تشخیص احساسات مبتنی بر سیگنال EEG گام‌های متعددی دارد که استخراج ویژگی‌های کارآمد و طبقه‌بندی مؤثر آن‌ها دو گام مهم در این راستا می‌باشد. بر اساس نتایج این تحقیق، در نظر گرفتن ویژگی‌های حوزه‌های زمان و فرکانس سیگنال‌های EEG و به کارگیری الگوریتم SVM چند کلاسه که توسط الگوریتم تکاملی ژنتیکی بهینه‌سازی شده است، عملکرد بهتری را فراهم می‌کند.
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
