تشخیص احساسات انسانی از سیگنالهای QEEG به کمک CNN

سابقه و هدف در این مطالعه جهت تشخیص احساسات انسانی از سیگنالهای الکتروانسفالوگرافی کمی (QEEG) به کمک شبکه عصبی کانولوشنی (CNN) استفاده شده است. مواد و روشها ۳۲ شرکت کننده سالم مورد بررسی قرار گرفتند و پس از استخراج ویژگی از سیگنال های QEEG، طبقه بندی موردنظر روی آنها لحاظ گردید و سپس تشخیص احساسات از روی این سیگنالها صورت گرفت. به جهت حذف آرتیفکتها از روش کاهش ویژگی ICA و برای طبقه بندی داده ها از شبکه عصبی مصنوعی کانولوشنی (CNN) استفاده شد. هدف اصلی در این تحقیق طراحی مدلی جهت شناسایی چهار مولفه احساسی شامل Arousal، Valence، Dominance و Liking بر پایه تحلیل تصاویر مغزی مستخرج از سیگنال های QEEG بوده است. یافته ها: ارزیابی ها برای هر احساس عملکرد مدل از طریق معیار صحت (Accuracy) میانگین گیری و انحراف معیار انجام گردید. نتایجی که از داده ها حاصل شد نشان داد که مدل طراحی شده توانایی شناسایی با صحت ۳۱.۴۹ درصد برای Valence، ۵۷.۱۵ درصد برای Arousal، ۶۸.۵۰ درصد برای Dominance و ۵۶.۲۴ درصد برای Liking را از سیگنال های مغزی دارد.

کلیدواژه ها:

الکتروانسفالوگرافی کمی ، شناسایی احساسات ، شبکه عصبی کانولوشنی (CNN) ، استخراج ویژگی ، پردازش سیگنال مغزی ، یادگیری عمیق Deep Learning