تشخیص احساسات قابل تفسیر با مکانیسم فعال سازی با استفاده از یادگیری ماشین و سیگنال های EEG

تشخیص احساسات انسانی از طریق سیگنال های مغزی به ویژه سیگنال های EEG نقش مهمی در بهبود روش های تشخیص و درمان اختلالات روان شناختی و عصبی ایفا می کند. برخلاف روش های مرسوم مبتنی بر تحلیل ویژگی های بیرونی مانند حالت چهره یا لحن صدا که با محدودیت هایی مواجه اند، EEG به عنوان روشی غیرتهاجمی و با دقت زمانی بالا، امکان ثبت مستقیم و دقیق فعالیت های مغزی مرتبط با هیجانات را فراهم می کند. در این پژوهش با استفاده از داده های EEG پایگاه SEED بهره گیری از الگوریتم های یادگیری عمیق به ویژه شبکه های عصبی بازگشتی LSTM سیگنال های مغزی پس از پیش پردازش و استخراج ویژگی توسط فیلتر فضایی مشترک (CSP) تحلیل شده اند. نتایج نشان دهنده دقت میانگین ۹۷.۴ درصد در طبقه بندی احساسات مثبت، منفی و خنثی است که نسبت به مدل های پیشین بهبود یافته است. این دستاورد تاکید بر کارایی بالای مدل پیشنهادی در شناسایی دقیق احساسات از داده های EEG و پتانسیل آن در کاربردهای بالینی و فناوری های هوشمند دارد.

کلیدواژه ها:

تشخیص احساسات ، سیگنال EEG ، یادگیری عمیق ، شبکه عصبی بازگشتی LSTM