تشخیص خودکار احساسات انسان از سیگنال EEG با استفاده از شبکه های عصبی عمیق و یادگیری انتقالی

تشخیص خودکار احساسات انسان از روی سیگنال های مغزی EEG یکی از موضوعات مهم در حوزه رابط مغز و رایانه، پردازش سیگنال های زیستی و هوش مصنوعی است. هدف اصلی این پژوهش طراحی و ارزیابی یک مدل هوشمند مبتنی بر شبکه های عصبی عمیق و یادگیری انتقالی برای طبقه بندی حالت های احساسی انسان با استفاده از سیگنال EEG است. در این پژوهش از پایگاه داده استاندارد DEAP استفاده می شود که شامل سیگنال های EEG ثبت شده از ۳۲ آزمودنی هنگام مشاهده ۴۰ ویدئوی احساسی است. برچسب های احساسی این پایگاه داده بر اساس ابعاد مهمی مانند والانس و برانگیختگی تعریف شده اند. روش پژوهش از نظر هدف کاربردی و از نظر ماهیت توصیفی-تحلیلی و آزمایشی است. در مرحله پیش پردازش کانال های EEG انتخاب شده و عملیاتی مانند حذف بخش پایه، فیلترگذاری، حذف نویز و آرتیفکت، نرمال سازی و بخش بندی سیگنال انجام می شود. سپس داده های آماده شده به مدل های یادگیری عمیق مانند شبکه عصبی کانولوشنی، شبکه های بازگشتی و مدل ترکیبی CNN-LSTM داده می شوند تا ویژگی های مکانی، زمانی و پنهان سیگنال EEG استخراج گردد. همچنین برای کاهش اثر تفاوت های فردی میان آزمودنی ها و افزایش قابلیت تعمیم مدل از رویکرد یادگیری انتقالی و تنظیم دقیق مدل استفاده می شود. یافته های مورد انتظار این پژوهش نشان می دهد که مدل های یادگیری عمیق، به ویژه معماری های ترکیبی، توانایی مناسبی در استخراج ویژگی های موثر از سیگنال های چندکاناله و زمانمند EEG دارند. همچنین استفاده از یادگیری انتقالی می تواند موجب بهبود عملکرد مدل در مواجهه با داده های آزمودنی های جدید و کاهش وابستگی مدل به داده های آموزشی گسترده شود. عملکرد مدل پیشنهادی با معیارهایی مانند دقت، صحت، یادآوری، امتیاز F۱، تابع خطا و ماتریس درهم ریختگی ارزیابی می شود. نتیجه کلی پژوهش آن است که ترکیب شبکه های عصبی عمیق با یادگیری انتقالی می تواند رویکردی موثر برای تشخیص خودکار احساسات از سیگنال EEG باشد. این روش می تواند در توسعه سامانه های هوشمند پایش احساسات، رابط های مغز و رایانه، سلامت روان، آموزش هوشمند، بازی های تعاملی و کاربردهای درمانی مبتنی بر بازخورد عصبی مورد استفاده قرار گیرد.

کلیدواژه ها:

تشخیص احساسات ، سیگنال EEG ، یادگیری عمیق ، شبکه عصبی کانولوشنی ، شبکه LSTM ، یادگیری انتقالی ، پایگاه داده DEAP ، رابط مغز و رایانه