تشخیص احساسات برپایه سیگنال های فیزیولوژیکی با استفاده از روش های یادگیری ژرف

یکی از مهم ترین موضوعات پژوهشی که محققان امروزه به طور قابل توجهی به آن می پردازند، تشخیص احساسات با استفاده از سیگنال های الکتروانسفالوگرام است. تشخیص احساسات نقش به سزایی در زندگی انسان ها که شامل کنترل سلامتی، بازی آنلاین، بازاریابی و مسائل علوم شناختی می باشد، دارد. در تحلیل و بررسی احساسات، دو حالت روانشناسی و فیزیولوژیکی مورد توجه قرار می گیرند. از این رو، بیشتر مطالعات انجام یافته بر روی تشخیص احساسات با استفاده از سیگنال های مغزی است. سیگنال های مغزی، نوعی از سیگنال های غیرخطی و غیرثابت هستند که با بهره گیری از پردازش، تحلیل و کاربرد این سیگنال ها می توان در زمینه های تحقیقاتی مانند مهندسی پزشکی، علوم اعصاب و علوم اعصاب شناختی از آن ها استفاده نمود. مسئله های بسیار مهمی که در زمینه های اشاره شده در سیستم های تشخیص احساسات ) (EDSمی توان در نظر گرفت، موضوعات پیش پردازش، استخراج ویژگی و طبقه بندی احساسات است. در این نوع سیستم های تشخیصی، بررسی و اخذ نتایج قابل اطمینان، ثابت و دقیق بسیار حیاتی و چالش برانگیز است. بر این اساس، روش های یادگیری ژرف در این نوع سیستم ها جهت طبقه بندی احساسات در مقایسه با روش های طبقه بندی کلاسیک کارایی بیشتری را به خود اختصاص داده اند. از این رو، با در نظر داشتن ساختار و ویژگی سیگنال های مغزی، می توان از شبکه های ژرف که در تشخیص و طبقه بندی دقیق احساسات و هیجانات نقش موثرتری دارند، کمک گرفت. مهم ترین هدف این پژوهش، تشخیص و طبقه بندی ویژگی های احساسات با استفاده از کمترین تعداد کانال مغزی و حداقل پارامتر شبکه های عصبی پیچشی ) (CNNو شبکه های عصبی بازگشتی ) (RNNبر روی مجموعه داده های جمع آوری شده از سیگنال های EEGاست. روش های پیشنهادی این پژوهش، روش های ترکیبی هستند که از ادغام شبکه های عصبی CNNو RNNبدست آمده اند. روش پیشنهادی اول پژوهش، ترکیب شبکه عصبی تک بعدی پیچشی با شبکه عصبی حافظه ی کوتاه مدت طولانی )(1D-CNN-LSTM است. ویژگی این شبکه پیشنهادی، داشتن کارایی بهتر نسبت به کاهش میزان گرادیان و یادگیری با وجود حافظه ای که جهت حفظ یا فراموشی اطلاعات مرتبط در حین پردازش از داده ها استفاده می شود، می باشد. دومین روش پیشنهادی، ادغام شبکه عصبی تک بعدی پیچشی با شبکه عصبی واحد بازگشتی گیت دار )-1D (CNN-GRUاست. این روش، ساختاری مشابه با روش پیشنهادی اول دارد. اما نسبت به آن ساده تر و تعداد گیت کمتری را به خود اختصاص داده است. سومین روش پیشنهادی این پژوهش، ترکیب شبکه عصبی تک بعدی پیچشی با شبکه عصبی واحد بازگشتی گیت دار دوطرفه ) (1D-CNN-BiGRUمی باشد. این شبکه متشکل از دو شبکه عصبی واحد بازگشتی گیت دار است که یکی در جهت رفت و دیگری در جهت برگشت جهت یادگیری ویژگی داده ها از گذشته و آینده، قرار داده شده اند. نتایج صحت آزمایش بدست آمده در حالت چهار کلاسه با استفاده از پایگاه داده ،DEAPدر روش پیشنهادی 99/92٪ ،1D-CNN-LSTMو ٪ 96/38و در روش پیشنهادی 99/82٪ ،1D-CNN-GRUو ٪ 96/53به ترتیب در تعداد کانال های هشت و چهار می باشد. همچنین با استفاده از روش پیشنهادی 1D-CNN-BiGRUدر بهره گیری از تعداد کانال های چهار و دو، نتایج میانگین صحت آزمایش ٪ 100حاصل شده است. با بررسی و مقایسه نتایج استخراج شده، می توان به این نقطه رسید که شبکه های پیشنهادی این پژوهش نتایج و عملکرد بهتری را در تعداد کانال های کمتری نسبت به مطالعاتی که از تعداد کانال های بیشتری بهره گرفتند، دارند.

کلیدواژه ها:

تشخیص و طبقه بندی احساسات ، سیگنال های مغزی ، شبکه های عصبی پیچشی ، حافظه ی کوتاه مدت طولانی ، واحد بازگشتی گیت دار ، شبکه های عصبی دوطرفه