مروری بر استفاده از شبکه های عصبی کانولوشنی (CNN) و نقشه های مغزی (Brain Map) در تشخیص احساسات از سیگنال EEG

تشخیص احساسات انسانی از سیگنال های EEG یکی از مهمترین حوزه ها در علوم اعصاب و رابط های مغز رایانه (BCI) می باشد. در سال های اخیر استفاده از شبکه های عصبی کانولوشنی (CNN) و تبدیل سیگنال های EEG به نقشه های مغزی به یکی از مهمترین رویکردها در این حوزه تبدیل شده است. با توجه به نویزی بودن سیگنال EEG استخراج ویژگی ها در این حوزه چالش برانگیز است. در این مقاله مروری پژوهش های اخیر در حوزه استخراج ویژگی از نقشه های توپوگرافیک و استفاده از مدل های CNN در تشخیص احساسات مختلف از جمله Arousal Valence و Dominance مورد بررسی قرار گرفته اند و بررسی ها نشان دهنده این هستند که ترکیب تحلیل QEEG با مدل های یادگیری عمیق به افزایش دقت و بهبود تعمیم پذیری مدل ها کمک می کنند. همچنین از جمله چالش های موجود و مهم در این حوزه می توان به کمبود داده های حجیم، تفاوت های فردی، نویز سیگنال و چالش های زمان واقعی اشاره نمود. در نهایت این مقاله برای مسیرهای پژوهشی آینده استفاده از مدل های ترکیبی CNN LSTM/Transformer را پیشنهاد می کند.

کلیدواژه ها:

الکتروانسفالوگرافی (EEG) ، تشخیص احساسات ، شبکه های عصبی کانولوشنی (CNN) ، یادگیری عمیق ، ویژگی های فضایی طیفی ، محاسبات احساسی (Affective Computing)