چارچوبی قابل تفسیر مبتنی بر یادگیری خصمانه دامنه برای تشخیص هیجان با استفاده از کانال های پراکنده الکتروانسفالوگرافی

تشخیص هیجان از روی سیگنال الکتروانسفالوگرافی (EEG) به دلیل تغییرپذیری بین فردی و نیاز به تعداد نسبتا زیادی کانال، با چالش تعمیم پذیری و توسعه سامانه های کم کانال مواجه است. در این پژوهش، چارچوبی قابل تفسیر مبتنی بر یادگیری خصمانه دامنه برای تشخیص هیجان با استفاده از کانال های پراکنده EEG ارائه می شود. پس از پیش پردازش، از هر کانال ۱۱۱ ویژگی زمانی، فرکانسی، زمان فرکانسی و غیرخطی استخراج شد و با استفاده از الگوریتم ReliefF، تعداد ویژگی ها در پایگاه های ECSMP و GAMEEMO به ترتیب به ۴۳ و ۶۸ ویژگی کاهش یافت. سپس، یک شبکه عصبی تطبیق دامنه (DANN) مجهز به لایه معکوس کننده گرادیان برای کاهش تغییرپذیری بین فردی به کار گرفته شد و عملکرد مدل با اعتبارسنجی متقابل پنج تایی در سطح شرکت کننده ارزیابی شد. روش پیشنهادی در پایگاه GAMEEMO به دقت ۹۹٫۴۰٪ دست یافت که در مقایسه با بهترین نتیجه گزارش شده در مطالعات پیشین، حدود ۴ درصد بالاتر بود. در پایگاه ECSMP نیز، با استفاده از تنها ۷ کانال پیشانی و بدون بهره گیری از سیگنال های کمکی، دقت ۹۶٫۴۳٪ به دست آمد که از دقت گزارش شده در روش چندحالته مورد مقایسه بالاتر بود. تحلیل SHAP نشان داد که برخی ویژگی های مبتنی بر موجک و ویژگی های زمانی و دامنه ای، به ویژه در کانال های پیشانی، سهم قابل توجهی در تصمیم های مدل داشتند. در مجموع، ترکیب انتخاب ویژگی مبتنی بر ReliefF و یادگیری خصمانه دامنه با DANN، ضمن کاهش قابل توجه تعداد ویژگی ها، به بهبود عملکرد تشخیص هیجان و کاهش اثر تغییرپذیری بین فردی کمک کرد و تحلیل SHAP نیز تفسیرپذیری ویژگی محور مدل را فراهم ساخت.

کلیدواژه ها:

تشخیص احساسات ، الکتروانسفالوگرافی ، شبکه عصبی تطبیقی دامنه ، انتخاب ویژگی ReliefF ، تفسیرپذیری SHAP ، دیتاست GAMEEMO ، دیتاست ECSMP