fa تشخیص و طبقه بندی احساسات با استفاده از سیگنال‌ های فیزیولوژیک و به کارگیری روش های تشخیص الگو هوش مصنوعی در حوزه سلامت Artificial Intelligence in Healthcare پژوهشي اصیل Original Article <div style="text-align: justify;"><span style="font-family:Tahoma;"><span style="color:#000000;"><span style="font-size:12px;"><strong>مقدمه:</strong> احساس نقش مهمی در سلامت، ارتباط و تعامل بین انسان&rlm;ها دارد. توانایی شناخت حالات حسی افراد قسمت مهمی از شاخص&rlm; های سلامتی و ارتباط&rlm; های طبیعی است. در پایگاه داده <span dir="LTR">DEAP</span>، سیگنال&rlm; های الکتروانسفالوگرام و سیگنال&rlm; های فیزیولوژیکی محیطی مربوط به 32 داوطلب ثبت شده است. شرکت&rlm; کنندگان در هر ویدئو از نظر سطح انگیختگی، ظرفیت، دوست داشتن/نداشتن، تسلط و آشنایی با ویدئوی مشاهده شده امتیاز داده شدند.<span style="font-family:B Mitra;"></span><br> <strong>روش:</strong> در این مقاله رو&rlm;ش&rlm; تجربی و کاربردی جهت طبقه &rlm;بندی ظرفیت، انگیختگی، تسلط و علاقه، توسط رتبه &rlm;بندی ویژگی&rlm; های استخراج شده از سیگنال&rlm; ها با استفاده از الگوریتم &rlm;هایی بر روی سیگنال&rlm; های <span dir="LTR">EEG</span> و سیگنال&rlm; های فیزیولوژیکی محیطی (نظیر سیگنال&rlm; های الکترومایوگرام، الکترواوکولوگرام، پاسخ الکتریکی پوست، نرخ تنفس، پلتیسموگرام و دمای پوست) انجام گردید. پس از فراخوانی سیگنال&rlm; ها از پایگاه داده و پیش &rlm;پردازش اولیه&rlm; آنها، ویژگی&rlm; های مختلف در حوزه زمان و فرکانس از کلیه&rlm; سیگنال&rlm; ها استخراج گردید. در این مقاله از طبقه&rlm; بندی&rlm; کننده&rlm; های <span dir="LTR">SVM</span> و <span dir="LTR">KNN</span>، الگوریتم خوشه بندی <span dir="LTR">K</span><span dir="LTR">-</span><span dir="LTR">means</span> و شبکه&rlm; های عصبی <span dir="LTR">PNN</span> و <span dir="LTR">GRNN</span> جهت تشخیص و طبقه &rlm;بندی احساسات استفاده شد.<br> &nbsp;<strong>نتایج:</strong> در نهایت نشان داده شد که نتایج نهایی طبقه&rlm; بندی احساسات توسط روش&rlm; ها و طبقه &rlm;بندی&rlm; کننده&rlm; های&nbsp;مختلف در این مقاله با دقت بالا صورت می&rlm; پذیرد. بهترین نتایج صحت حاصل از به کارگیری روش پیشنهاد شده با استفاده از ویژگی&rlm; های استخراج شده از سیگنال&rlm; های محیطی و ویژگی&rlm; های استخراج شده از سیگنال&rlm; های <span dir="LTR">EEG</span> به ترتیب برابر 85/5‌% و 82/4% به ازای ورودی طبقه&rlm; بندی کننده <span dir="LTR">SVM</span> حاصل گردید.<br> <strong>نتیجه &shy;گیری:</strong> با توجه به نتایج نهایی درخصوص طبقه &rlm;بندی احساسات در این مقاله، الگوریتم ارائه شده نتایج نسبتاً مناسب&rlm;تری نسبت به سایر روش&rlm; های مشابه پیشین ارائه داده است.</span></span></span></div> <div style="text-align: justify;"><span style="color:#000000;"><span style="font-family:Tahoma;"><strong>Introduction:</strong> Emotions play an important role in health, communication, and interaction between humans. The ability to recognize the emotional status of people is an important indicator of health and natural relationships. In DEAP database, electroencephalogram (EEG) signals as well as environmental physiological signals related to 32 volunteers are registered. The participants in each video were rated in terms of level of arousal, capacity, liking/disliking, proficiency, and familiarity with the video they watched.<span dir="RTL"></span><br> <strong>Method:</strong> In this study, a practical empirical method was adopted to classify capacity, arousal, proficiency, and interest by ranking the features extracted from signals using algorithms on EEG signals and environmental physiological signals (such as electromyography (EMG), electrooculography (EOG), galvanic skin response (GSR), respiration rate, photoplethysmography (PPG), and skin temperature. After initializing the signals from the database and pre-processing them, various features in the time and frequency domain were extracted from all signals. In this study, SVM and KNN classifiers, K-means clustering algorithm, and neural networks, such as PNN and GRNN were used to identify and classify emotions.<span dir="RTL"></span><br> <strong>Results:</strong> It was indicated in this study that the results of the classification of emotions using various methods and classifiers were well-established with high accuracy. The best accuracy results were obtained by applying the proposed method using SVM classifier based on features extracted from environmental signals (85.5%) and EEG signals (82.4%).<span dir="RTL"></span><br> <strong>Conclusion</strong>: According to the results of the classification of emotions in this study, the proposed algorithm provides relatively better results compared with previous similar methods.</span></span><span dir="RTL"></span></div> طبقه‌بندی احساسات, سیگنال‌های EEG, سیگنال‌های فیزیولوژیک, استخراج ویژگی, پردازش سیگنال‌ها Classification of Emotions, EEG Signals, Physiological Signals, Feature Extraction, Signal Processing 214 231 http://jhbmi.ir/browse.php?a_code=A-10-542-1&slc_lang=fa&sid=1 Naser Safdarian ناصر صفدریان Naser.safdarian@yahoo.com 10031947532846005650 10031947532846005650 Yes M.Sc. in Biomedical Engineering, Instructor, Young Researchers and Elite Club, Tabriz Branch, Islamic Azad University, Tabriz, Iran کارشناسی ارشد مهندسی پزشکی، مربی، دانشگاه آزاد اسلامی، واحد تبریز، باشگاه پژوهشگران جوان و نخبگان، تبریز، ایران Mohsen Naji محسن ناجی Mohsen.naji@yahoo.com 10031947532846005651 10031947532846005651 No Ph.D. in Biomedical Engineering, Assistant Professor, Biomedical Engineering Dept., Dezful Branch, Islamic Azad University, Dezful, Iran دکتری مهندسی پزشکی، استادیار، دانشگاه آزاد اسلامی واحد دزفول، گروه مهندسی پزشکی، دزفول، ایران