تنک سازی رگرسیون PLS با استفاده از نرم-۲ ضرایب وزن دار: کاربرد در حل مساله ی بازشناسی احساسات

سیگنال الکتریکی مغز به دلیل سهولت در ثبت، غیرتهاجمی بودن و دقت بالا کاربرد بسیار گسترده ای در حوزه های کلینیکی و تحقیقات دانشگاهی پیدا کرده است که از آن جمله می توان به بازشناسی احساس از روی سیگنال الکتریکی مغز اشاره کرد. برای مشخص کردن نوع احساس برانگیخته عموما از دو معیار خوشایندی و انگیختگی استفاده شده که به ترتیب میزان مثبت یا منفی بودن و میزان برون فکنی یا هیجان ایجاد شده را برای یک احساس خاص مشخص می نمایند. اهمیت احساس با توجه به عکس­العمل­های ناشی از این پدیده در انجام وظایف روزانه به خصوص در فعالیت­هایی که به دقت و تمرکز نیاز دارند مشخص می­شود. در مساله ی بازشناسی احساس ابتدا احساسات مختلف با استفاده از محرک های حسی مناسب برای سوژه های مورد بررسی ایجاد شده و سیگنال های مغزی متناظر با هر تحریک ثبت می شود. دو مرحله ی پردازش اصلی در حل مساله ی بازشناسی احساسات، استخراج ویژگی های مناسب و استفاده از طبقه بندها یا رگرسیون های مناسب است. در پژوهش های پیشین محرک های مختلف بینایی و شنوایی مورد استفاده قرار گرفته و ویژگی ها و طبقه بندهای متنوع خطی و غیرخطی بررسی شده است. هدف این مقاله بهبود الگوریتم­های رگرسیون خطی برای تخمین بهتر معیارهای بازشناسی احساسات انسانی است. بدین منظور یک الگوریتم جدید ارائه شده است که از تنک بودن بردار ترکیب در کنار تابع هزینه ی رگرسیون خطی استفاده می کند. کارایی الگوریتم ارائه شده روی داده های ساختگی مورد بررسی قرار گرفته و برتری آن نسبت به الگوریتم های رگرسیون خطی PLS، LASSO، SOPLS و Ridge نشان داده شده است. هم چنین برای اعمال الگوریتم ارائه شده روی داده های EEG مربوط به بازشناسی احساسات از مجموعه ی دادگان DEAP استفاده شده و ویژگی ضرایب مدل AR از سیگنال های EEG استخراج شده است. نتایج به دست آمده از الگوریتم پیشنهادی با نتایج سایر الگوریتم ها مقایسه شده است که در مجموع برتری نسبی الگوریتم ارائه شده را نشان می دهد.

کلیدواژه ها:

سیگنال EEG ، بازشناسی احساسات ، رگرسیون خطی ، رگرسیون PLS ، ضرایب تنک ، خوشایندی ، انگیختگی