<span dir="RTL" lang="AR-SA">تشخیص احساسات با استفاده از ویژگی های چندفراکتالی سیگنال الکتروانسفالوگرام و روش های یادگیری ماشین

مقدمه: تشخیص احساسات مبتنی بر سیگنال های الکتروانسفالوگرام (Electroencephalogram) EEG، در کاربردهای گسترده ای همچون واسط های مغز- رایانه، و سیستم های تعاملی هوشمند نقش دارد. پژوهش حاضر، تاثیر ویژگی های چندفراکتالی سیگنال EEG را در تشخیص دقیق و خودکار ابعاد احساسی در مدل های مبتنی بر هوش مصنوعی بررسی می کند. روش ها: در این مطالعه داده های EEG از مجموعه دادگان برچسب گذاری شده DREAMER شامل ۱۴ کانال ثبت شده از ۲۳ شرکت کننده سالم استخراج شد. پس از اعمال مراحل پیش پردازش و تفکیک به باندهای فرکانسی آلفا، بتا، و گاما، ویژگی های چندفراکتالی سیگنال EEG با روش آنالیز نوسانات بدون برازش چندفراکتالی (MFDFA) محاسبه شدند. طبقه بندی در ابعاد احساسی برانگیختگی، ظرفیت و تسلط با بهره گیری از الگوریتم ماشین بردار پشتیبان (SVM) انجام گرفت. یافته ها: ویژگی های استخراج شده از آنالیزچندفراکتالی باند آلفا بیشترین توان تمایزبخشی میان حالات احساسی را نسبت به سایر باندها داشتند. این ویژگی ها ضمن ساده سازی فرآیند محاسباتی، دقت تشخیص احساسات در هر بعد احساسی برانگیختگی، ظرفیت، و تسلط را به ترتیب به بیش از ۹۶، ۹۷ و ۹۳ درصد رساندند. نتیجه گیری: ویژگی های چندفراکتالی، به ویژه در باند آلفا، در استخراج اطلاعات احساسی از سیگنال EEG بسیار موثرند. روش استخراج ویژگی از سیگنال EEG پیشنهاد شده در این مطالعه می تواند با دقت بالا ابعاد احساسی مختلف را تفکیک نماید و برای توسعه سیستم های هوشمند تعاملی عصبی به کار گرفته شود.

کلیدواژه ها:

احساسات ، الکتروانسفالوگرافی ، فراکتال ها ، پردازش سیگنال ، یادگیری ماشین