ارزیابی شبکه های عصبی عمیق در تشخیص احساسات با استفاده از الگوهای سیگنال الکتروانسفالوگرام

در این مطالعه طراحی یک سیستم قابل اعتماد که قادر به شناسایی احساسات مختلف با دقت مطلوب باشد، مورد توجه قرار گرفته است. برای رسیدن به این هدف، دو ساختار متفاوت برای سیستم تشخیص احساسات شامل ۱) ویژگی های خطی و غیرخطی سیگنال الکتروانسفالوگرام (EEG) به همراه طبقه بندهای رایج و ۲) سیگنال EEG در یک ساختار یادگیری عمیق مدنظر قرار گرفته است. برای طراحی سیستم، سیگنال های EEG پایگاه داده DEAP که از ۳۲ نفر با نمایش ویدیوهای احساسی ثبت شده اند، مورد استفاده قرارگرفتند. پس از آماده سازی و حذف نویز، ویژگی های سیگنال شامل چولگی، کشیدگی، پارامترهای جورث، نمای لیاپانف ، آنتروپی شانون، بعد همبستگی، بعد فرکتال و برگشت پذیری زمان از زیرباندهای آلفا، بتا و گاما استخراج شدند. سپس با توجه به ساختار یک، ویژگی های تعیین شده به عنوان ورودی به طبقه بندهای رایج مانند درخت تصمیم (DT)، k نزدیک ترین همسایه (kNN) و ماشین بردار پشتیبان (SVM) اعمال شدند. همچنین مطابق با ساختار دو، سیگنال EEG به عنوان ورودی شبکه عصبی کانولوشنی (CNN) درنظر گرفته شد. هدف ارزیابی نتایج شبکه های آموزش عمیق و سایر روش ها برای تشخیص احساسات است. با توجه به نتایج کسب شده، SVM با دقت ۱/۹۴ درصد بهترین عملکرد را برای شناسایی چهار حالت احساسی به دست آورد. همچنین CNN پیشنهادی، با دقت ۸۶ درصد حالت های احساسی موردنظر را شناسایی کرد. روش های یادگیری عمیق به دلیل این که به تعیین ویژگی برای سیگنال ها نیاز ندارند و در برابر نویزهای مختلف مقاومند، نسبت به طبقه بندهای ساده برتری دارند. استفاده از سیگنال های با بازه زمانی کوتاه و انجام مراحل پیش پردازش و آماده سازی مطلوب، می تواند نتایج شبکه های عصبی عمیق را همچنان بهبود دهد.

کلیدواژه ها:

تشخیص احساس ، سیگنال الکتروانسفالوگرام ، شبکه عصبی کانولوشنی ، طبقه بند ماشین بردار پشتیبانی ، ویژگی های دینامیکی.