تشخیص حالت های احساسی مبتنی بر EEG با استفاده از شبکه یادگیری عمیق

یکی از راه های ارتباط انسان و کامپیوتر بر پایه ی شناخت احساسات است. در این مقاله، مساله تشخیص احساسات با استفاده از سیگنال الکتروانسفالوگرام (EEG) مورد توجه قرار گرفته و در آن، با توجه به خاصیت غیرایستایی EEG، با استفاده از تجزیه مد تجربی (EMD)، توابع مد ذاتی (IMF) استخراج شده و سپس 3 IMF اول انتخاب می شود. هر IMF با پنجره یک ثانیه ای تبدیل به تکه های کوچکتری می شود و از هر قسمت ویژگی توان استخراج می شود. سپس با استفاده از یک نگاشت مناسب، موقعیت الکترودها درسیستم 10-20 به موقعیت پیکسل ها در یک تصویر تبدیل می شود و ویژگی های استخراج شده به عنوان مولفه های رنگ پیکسل در نظر گرفته می شود. برای تعیین کلاس ظرفیت، مجموعه ی همه ی تصویرهای تولیدشده، به عنوان ورودی به یک شبکه یادگیری عمیق داده می شود و خروجی، کلاس بالا یا پایین ظرفیت را مشخص می کند. همین روند برای تعیین کلاس برانگیختگی انجام می شود. برای بررسی روش از پایگاه داده ی DEAP استفاده شده است. با انتخاب تصویر با اندازه ی 17×17، میانگین دقت و انحراف معیار طبقه بندی برای ظرفیت 78.58٪ و 3.9 و برای برانگیختگی 78.66٪ و 3.1 به دست آمد که در مقایسه با کارهای مشابه بهبود قابل توجهی را نشان می دهد.