تعداد نشریات | 43 |
تعداد شمارهها | 1,263 |
تعداد مقالات | 15,571 |
تعداد مشاهده مقاله | 51,596,430 |
تعداد دریافت فایل اصل مقاله | 14,528,182 |
بازشناسی هیجانات القاشده توسط تحریک شنوایی از سیگنال EEG مبتنی بر طبقهبندی بر پایهی نمایش تُنک | ||
مجله مهندسی برق دانشگاه تبریز | ||
مقاله 30، دوره 49، شماره 1 - شماره پیاپی 87، اردیبهشت 1398، صفحه 331-341 اصل مقاله (1.1 M) | ||
نویسندگان | ||
محمد عبدالهی؛ توحید یوسفی رضایی* ؛ سبحان شیخی وند | ||
دانشکده مهندسی برق و کامپیوتر - دانشگاه تبریز | ||
چکیده | ||
هیجانات، برای تفسیر درست اقدامات و همچنین ارتباطات بین انسانها مهم هستند. شناخت هیجانات از طریق سیگنال الکتروانسفالوگرام (EEG)، امکان تشخیص حالات هیجانی را بدون روشهای سنتی ازجمله پر کردن پرسشنامه، میسر میگرداند و میتواند بدون معاینات و ویزیتهای بالینی، هیجان مورد نظر در فرد را بازگو نماید که نقش بسیار مهمی در تکمیل کردن پازل تعامل بین مغز و کامپیوتر(BCI) ایفا میکند. ازجمله چالشهای عمدهای که در این زمینه وجود دارد، نخست انتخاب و استخراج ویژگیهای مناسب از سیگنال الکتروانسفالوگرام است، بهنحویکه تمییز قابل قبولی را بین حالات هیجانی مختلف ایجاد نمایند. چالش دیگر انتخاب یک الگوریتم طبقهبند مناسب، برای تفکیک و برچسبگذاری صحیح سیگنالهای مربوط به هر هیجان است. این مقاله، با ارائهی روشی مستقیم از چالشهای ذکرشده، گذر کرده و نتایج عملکرد طبقهبندی کننده بر اساس نمایش تنک سیگنال (SRC) و بازسازی آن توسط دیکشنری آموزش دیده شده، گزارش شده است. روش پیشنهادی این مقاله بر روی دو پایگاه داده آزمایش شده است که پایگاه اول حاصل طراحی سناریو و ثبت سیگنال آزمایشگاهی همین مقاله با تحریک شنوایی بوده است و پایگاه داده دوم مربوط به ثبت دادهی دانشگاه شانگهای چین است. نتایج روش پیشنهادی صحت بالای 80% را برای بازشناسی دو هیجان مثبت و منفی فراهم میکند و نشان میدهد که روش پیشنهادی درصد موفقیت بالاتری در طبقهبندی هیجانات نسبت به پژوهشهای پیشین دارد. | ||
کلیدواژهها | ||
بازشناسی هیجانات؛ EEG؛ طبقهبندی بر اساس بیان تنک؛ یادگیری دیکشنری | ||
مراجع | ||
[1] S. Sanei and J. A. Chambers, EEG signal processing, John Wiley & Sons, 2013. [2] S. Sanei, Adaptive processing of brain signals, John Wiley & Sons, 2013. [3] K. R. Scherer, “What are emotions? And how can they be measured?,” Social science information, vol. 44, no. 4, pp. 695-729, 2005. [4] K. Schaaff and T. Schultz, “Towards emotion recognition from electroencephalographic signals,” in Affective Computing and Intelligent Interaction and Workshops, Amsterdam, Netherlands, IEEE 3rd International Conference on ACII2009, pp. 1-6, 2009. [5] M. Murugappan, M. Rizon, R. Nagarajan, S. Yaacob, I. Zunaidi, and D. Hazry, “EEG feature extraction for classifying emotions using FCM and FKM,” International journal of Computers and Communications, vol. 1, no. 2, pp. 21-25, 2007. [6] R. Jenke, A. Peer, and M. Buss, “Feature extraction and selection for emotion recognition from EEG,” IEEE Transactions on Affective Computing, vol. 5, no. 3, pp. 327-339, 2014. [7] S. Jirayucharoensak, S. Pan-Ngum, and P. Israsena, “EEG-based emotion recognition using deep learning network with principal component based covariate shift adaptation,” The Scientific World Journal, vol. 4, no. 3, pp. 213-232, 2014. [8] X. W. Wang, D. Nie, and B. L. Lu, “Emotional state classification from EEG data using machine learning approach,” Neurocomputing, vol. 129, pp. 94-106, 2014. [9] A. Y. Yang, J. Wright, Y. Ma, and S. S. Sastry, “Feature selection in face recognition: A sparse representation perspective,” IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 4, no. 3, pp.-212-232, 2007. [10] Y. Shin, S. Lee, J. Lee and H. N. Lee, “Sparse representation-based classification scheme for motor imagery-based brain-computer interface systems,” Journal of Neural Engineering, vol. 9, no. 5, 2012. [11] F. J. Herrmann, M. P. Friedlander, and O. Yilmaz, “Fighting the curse of dimensionality: Compressive sensing in exploration seismology,” IEEE Signal Process. Mag., vol. 29, no. 3, pp. 88-100, 2012. [12] S. Mallat and Z. Zhang, “Matching pursuit with time-frequency dictionaries,” Courant Institute of Mathematical Sciences New York United States, vol. 1, no. 2, pp. 81-90, 1993. [13] علی محمدی زاده، «کاربردهای موسیقی درمانی در زمینههای روانپزشکی، پزشکی و رواشناختی به انضمام موسیقی و عرفان، طبقهبندی تمهای موسیقی، موسیقی درمانی و وحدت جهانی،» تهران: اسرار دانش، 1380. [14] T. F. Bastos Filho, A. Ferreira, A. C. Atencio, S. Arjunan, and D. Kumar, “Evaluation of feature extraction techniques in emotional state recognition,” IEEE 4th international conference on Intelligent Human Computer Interaction (IHCI), Kharagpur, India, pp. 1-6, 2012. | ||
آمار تعداد مشاهده مقاله: 540 تعداد دریافت فایل اصل مقاله: 547 |