طبقه بندی حالت های هیجانی با استفاده از سیگنال الکتروکاردیوگرام تک کاناله و یادگیری ماشین

از گذشته تاکنون هیجانات انسان ها شکل دهنده روابط بین آنها بوده و اغلب انسانها روزانه بسیاری از این احساسات را با دیگرانبه اشتراک می گذارند. در جامعه امروزی، با افزایش مسائل مربوط به سلامت روان، تشخیص هیجانات در مراقبت های بهداشتی امروزیبسیار مهم است. تحقیقات قبلی نشان داده اند که محرکهای هیجانی می توانند باعث ایجاد تغییراتی در سیگنالهای فیزیولوژیکیافراد شوند. بنابراین، هدف این مطالعه توسعه یک روش جدید برای طبقه بندی خودکار حالتهای مختلف هیجانات ا ز روی سیگنال هایالکتروکاردیوگرام (ECG) تک کاناله می باشد. در روش پیشنهادی ابتدا سیگنال های پیش پردازش شده با استفاده از تبدیل موجکگسسته به زیرباندهای مختلف تجزیه می شود. سپس، ویژگی های غیرخطی مانند آنتروپی فازی و نگاشت بازرخداد از هر یک اززیرباندها استخراج می شود. در مرحله بعدی مجموعه ویژگی های استخراج شده به ورودی طبقه بندهای ماشین بردار پشتیبان (SVM)،جنگل تصادفی (RF) و K -نزدیکترین همسایگی (KNN) اعمال می شود. عملکرد روش پیشنهادی با استفاده از مجموعه داده ایحاوی ۱۵۴ سیگنال ECG تک کاناله و روش ارزیابی متقابل پنج فولد ارزیابی شد. در این مطالعه، دو کار طبقه بندی مختلف شاملکلاس شاد در مقابل کلاس غمگین و همچنین کلاس برانگیختگی زیاد در مقابل کم انجام شد. نتایج نشان داد که طبقه بند SVMبا تابع هسته گوسی میتواند میانگین دقتی بیشتر از ۸۱ درصد برای هر مورد به دست آورد. نتایج این مطالعه نشان داد که بینسیگنال های ECG و هیجانات ارتباط بالقوه وجود دارد که می تواند برای درمان سلامت روان در زمینه پزشکی مفید باشد.

کلیدواژه ها:

تشخیص هیجانات ، سیگنال ECG تک کاناله ، ویژگی های غیرخطی ، تبدیل موجک گسسته ، یادگیری ماشین