TY - JOUR T1 - Detection and Classification of Emotions Using Physiological Signals and Pattern Recognition Methods TT - تشخیص و طبقه بندی احساسات با استفاده از سیگنال‌ های فیزیولوژیک و به کارگیری روش های تشخیص الگو JF - jhbmi JO - jhbmi VL - 7 IS - 2 UR - http://jhbmi.ir/article-1-392-fa.html Y1 - 2020 SP - 214 EP - 231 KW - Classification of Emotions KW - EEG Signals KW - Physiological Signals KW - Feature Extraction KW - Signal Processing N2 - 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. M3 ER -