تشخیص احساس از روی سیگنال های EEG به کمک الگوریتم یادگیری ماشین کوانتومی سلسله مراتبی

در سال های اخیر استفاده از الگوریتم های یادگیری ماشین کوانتومی (QML) برای تشخیص حالت های مختلف مغزی از طریق سیگنال های EEG موردتوجه قرارگرفته است. تشخیص احساس با استفاده از سیگنال های EEG نقش کلیدی در تعامل انسان و رایانه و محاسبات احساسی ایفا می کند. این پژوهش از مجموعه داده DEAP متشکل از ۳۲ کانال سیگنال EEG اخذشده از ۳۲ شرکت کننده در هنگام تماشای ۴۰ فیلم یک دقیقه ای استفاده می کند. مدل پیشنهادی مبتنی بر QML سلسله مراتبی شامل بخش های پیش پردازش سیگنال EEG به کمک لاپلاسین سطحی، آماده سازی سیگنال EEG به عنوان یک حالت کوانتومی، استخراج ویژگی به کمک تبدیل بسته موجک کوانتومی (QWPT) و آنتروپی انرژی بسته موجک (WPEE) و طبقه بند شبکه عصبی کوانتومی (QNN) سه لایه است. نتایج نشان می دهد مدل پیشنهادی می تواند دو دسته از احساس ظرفیت و برانگیختگی را به ترتیب با درصد صحت ۷۱/۹۴ و ۶۲/۹۷ تفکیک نماید. نتایج نشان از موفقیت قابل توجه مدل پیشنهادی در تشخیص احساسات مختلف دارد.

کلیدواژه ها:

تشخیص احساس ، استخراج ویژگی ، سیگنال های مغزی ، طبقه بندی و یادگیری ماشین کوانتومی