دوره 7، شماره 2 - ( 6-1399 )
جلد 7 شماره 2 صفحات 231-214 |
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:
Safdarian N, Naji M. Detection and Classification of Emotions Using Physiological Signals and Pattern Recognition Methods. jhbmi 2020; 7 (2) :214-231
URL: http://jhbmi.ir/article-1-392-fa.html
URL: http://jhbmi.ir/article-1-392-fa.html
صفدریان ناصر، ناجی محسن. تشخیص و طبقه بندی احساسات با استفاده از سیگنال های فیزیولوژیک و به کارگیری روش های تشخیص الگو. مجله انفورماتیک سلامت و زیست پزشکی. 1399; 7 (2) :214-231
کارشناسی ارشد مهندسی پزشکی، مربی، دانشگاه آزاد اسلامی، واحد تبریز، باشگاه پژوهشگران جوان و نخبگان، تبریز، ایران
چکیده: (3631 مشاهده)
مقدمه: احساس نقش مهمی در سلامت، ارتباط و تعامل بین انسانها دارد. توانایی شناخت حالات حسی افراد قسمت مهمی از شاخص های سلامتی و ارتباط های طبیعی است. در پایگاه داده DEAP، سیگنال های الکتروانسفالوگرام و سیگنال های فیزیولوژیکی محیطی مربوط به 32 داوطلب ثبت شده است. شرکت کنندگان در هر ویدئو از نظر سطح انگیختگی، ظرفیت، دوست داشتن/نداشتن، تسلط و آشنایی با ویدئوی مشاهده شده امتیاز داده شدند.
روش: در این مقاله روش تجربی و کاربردی جهت طبقه بندی ظرفیت، انگیختگی، تسلط و علاقه، توسط رتبه بندی ویژگی های استخراج شده از سیگنال ها با استفاده از الگوریتم هایی بر روی سیگنال های EEG و سیگنال های فیزیولوژیکی محیطی (نظیر سیگنال های الکترومایوگرام، الکترواوکولوگرام، پاسخ الکتریکی پوست، نرخ تنفس، پلتیسموگرام و دمای پوست) انجام گردید. پس از فراخوانی سیگنال ها از پایگاه داده و پیش پردازش اولیه آنها، ویژگی های مختلف در حوزه زمان و فرکانس از کلیه سیگنال ها استخراج گردید. در این مقاله از طبقه بندی کننده های SVM و KNN، الگوریتم خوشه بندی K-means و شبکه های عصبی PNN و GRNN جهت تشخیص و طبقه بندی احساسات استفاده شد.
نتایج: در نهایت نشان داده شد که نتایج نهایی طبقه بندی احساسات توسط روش ها و طبقه بندی کننده های مختلف در این مقاله با دقت بالا صورت می پذیرد. بهترین نتایج صحت حاصل از به کارگیری روش پیشنهاد شده با استفاده از ویژگی های استخراج شده از سیگنال های محیطی و ویژگی های استخراج شده از سیگنال های EEG به ترتیب برابر 85/5% و 82/4% به ازای ورودی طبقه بندی کننده SVM حاصل گردید.
نتیجه گیری: با توجه به نتایج نهایی درخصوص طبقه بندی احساسات در این مقاله، الگوریتم ارائه شده نتایج نسبتاً مناسبتری نسبت به سایر روش های مشابه پیشین ارائه داده است.
روش: در این مقاله روش تجربی و کاربردی جهت طبقه بندی ظرفیت، انگیختگی، تسلط و علاقه، توسط رتبه بندی ویژگی های استخراج شده از سیگنال ها با استفاده از الگوریتم هایی بر روی سیگنال های EEG و سیگنال های فیزیولوژیکی محیطی (نظیر سیگنال های الکترومایوگرام، الکترواوکولوگرام، پاسخ الکتریکی پوست، نرخ تنفس، پلتیسموگرام و دمای پوست) انجام گردید. پس از فراخوانی سیگنال ها از پایگاه داده و پیش پردازش اولیه آنها، ویژگی های مختلف در حوزه زمان و فرکانس از کلیه سیگنال ها استخراج گردید. در این مقاله از طبقه بندی کننده های SVM و KNN، الگوریتم خوشه بندی K-means و شبکه های عصبی PNN و GRNN جهت تشخیص و طبقه بندی احساسات استفاده شد.
نتایج: در نهایت نشان داده شد که نتایج نهایی طبقه بندی احساسات توسط روش ها و طبقه بندی کننده های مختلف در این مقاله با دقت بالا صورت می پذیرد. بهترین نتایج صحت حاصل از به کارگیری روش پیشنهاد شده با استفاده از ویژگی های استخراج شده از سیگنال های محیطی و ویژگی های استخراج شده از سیگنال های EEG به ترتیب برابر 85/5% و 82/4% به ازای ورودی طبقه بندی کننده SVM حاصل گردید.
نتیجه گیری: با توجه به نتایج نهایی درخصوص طبقه بندی احساسات در این مقاله، الگوریتم ارائه شده نتایج نسبتاً مناسبتری نسبت به سایر روش های مشابه پیشین ارائه داده است.
واژه‌های کلیدی: طبقه‌بندی احساسات، سیگنال‌های EEG، سیگنال‌های فیزیولوژیک، استخراج ویژگی، پردازش سیگنال‌ها
فایل صوتی [M4A 3545 KB] (82 دریافت)
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
