Journal of Health and Biomedical Informatics

fa بهبود دقت در تشخیص احساسات با استفاده از سیگنال‌های EEG با نوآوری در ترکیب استخراج ویژگی New Feature Extraction Method for Precision Improvement in Emotion Detection Using EEG Signals داده کاوی Data Mining پژوهشي اصیل Original Article <div style="text-align: justify;">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.  </div> <div style="text-align: justify;">Introduction: Since emotions play an important role in human life, it requires providing an intelligent method to detect emotions using electroencephalogram (EEG) signal based on signal processing techniques. In addition, in this research, using support vector machine (SVM) classifier with genetic evolutionary algorithm is a novelty in classification part. Methods: The proposed method focuses on feature extraction and classification of received signals from brain to improve emotion detection. In this way, firstly, effective EEG channels are identified and then time and frequency features of EEG signals are extracted and classified by an appropriate classifier. The proposed method is applied on DEAP database which includes recorded EEG signals by 32 people watching and listening 40 videos and music.     Results: The experiments show that selection of 7.5 seconds and 3 EEG channels provides acceptable results. In addition, the proposed method reduces computations and required memory and results in 93.86% accuracy for 4 emotion classification.   Conclusion: Improvement in emotion detection based on EEG signals contains several steps in which effective features extraction and classification are two important steps. According to this research, using time-frequency features of EEG signals and optimized SVM classifier with genetic algorithm provides better results.    </div> تشخیص احساسات, EEG, شبکه‌های عصبی, ماشین بردار پشتیبان Emotion recognition, EEG signal, neural network and support vector machine (SVM) 44 55 http://jhbmi.ir/browse.php?a_code=A-10-372-1&slc_lang=fa&sid=1 Hanieh zamanian هانیه زمانیان hanieh.zamanian@birjand.ac.ir 10031947532846003707 10031947532846003707 Yes Ph.D Student in Electrical Engineering, Electrical and Computer Engineering Dept., University of Birjand, Birjand, Iran دانشجوی دکتری مهندسی برق مخابرات، گروه مخابرات، دانشکده برق و کامپیوتر، دانشگاه بیرجند، بیرجند، ایران hassan farsi حسن فرسی hfarsi@birjand.ac.ir 10031947532846003708 10031947532846003708 No university of birjand استاد، دکترای مهندسی برق - مخابرات، دانشکده برق و کامپیوتر، دانشگاه بیرجند، بیرجند، ایران