تشخیص احساسات مبتنی بر شبکه VGG-۱۶ بهبودیافته

پیشینه و اهداف: در سال های اخیر، استفاده از روش های یادگیری عمیق برای تجزیه و تحلیل سیگنال های الکتروانسفالوگرام و فیزیولوژیکی برای شناخت احساسات توجه بسیاری از پژوهشگران و محققان را به خود جلب کرده است. با این حال، کمبود تخصص در استخراج ویژگی از سیگنال‎های الکتروانسفالوگرام و دسته‎بندی احساسات بر اساس این سیگنال ها یکی از چالش های اساسی این بحث محسوب می شود. روش ها : در این پژوهش جهت آماده سازی داده های ورودی به شبکه ی از پیش آموزش دیده، از تبدیل سیگنال به تصویر استفاده خواهد شد. نوآوری پژوهش در چگونگی آماده سازی داده های ورودی به شبکه ی از پیش آموزش دیده است. نوآوری روش پیشنهادی نیز تبدیل سیگنال به تصویر به عنوان ویژگی های ورودی به مدل یادگیری در داده های ثبت شده است که جهت تشخیص احساسات است. همچنین از یک معماری ترکیبی مبتنی بر شبکه VGG-۱۶ و لایه فازی، برای حل بهینه مسئله و بالابردن نرخ تشخیص احساسات استفاده می‎شود. یافته ها: با توجه به مشکلات و محدودیت های جمع آوری داده و حساسیت داده های الکتروانسفالوگرام به نویز محیط و مشکلاتی از این قبیل باعث می شود ثبت سیگنال های الکتروانسفالوگرام در محیطی ایزوله انجام شود. با توجه به موارد ذکر شده، بهتر است از مجموعه داده ای استفاده شود که صحت داده های ثبت شده ی آن پیش تر توسط پژوهشگران و محققان تایید شده است. در این مقاله از مجموعه داده ی عمومی DEAP برای پژوهش و بررسی فرضیات استفاده شده است.نتیجه گیری: با بررسی نتایج حاصل از پیاده سازی روش پیشنهادی، نرخ تشخیص احساسات دقت ۹۰/۸۹ درصد را نشان می‎دهد.

کلیدواژه ها:

شناسایی احساسات ، سیگنال های الکتروانسفالوگرام