یک رویکرد مبتنی بر یادگیری عمیق برای طبقه بندی هیجانات از سیگنال های EEG در پاسخ به محرک ها

این مقاله به بررسی تشخیص هیجانات با استفاده از سیگنال های EEG، یکی از حوزه های نوظهور در علوم، اعصاب، مهندسی پزشکی و هوش مصنوعی می پردازد. با استفاده از این روش می توان به صورت غیرتهاجمی و مستقیم به بررسی حالات هیجانی افراد پرداخت. پیشرفت های اخیر در زمینه یادگیری عمیق به ویژه شبکه های عصبی کانولوشنی (CNN) و شبکه های حافظه کوتاه مدت بلندمدت (LSTM)، منجر به توسعه روش های نوینی برای تحلیل سیگنال های EEG و تشخیص هیجانات شده است. هدف اصلی این مقاله ارائه الگوریتم ها و مدل های یادگیری عمیقی است که قادر به استخراج دقیق هیجانات مختلف از سیگنال های EEG باشند. این هیجانات می توانند در پاسخ به محرک های متنوعی مانند تصاویر، صداها و افکار ایجاد شوند. یکی از روش های رایج برای القای هیجانات، استفاده از تحریک شنوایی است. با ارائه محرک های صوتی مختلف مانند موسیقی، صداهای طبیعت یا گفتار می توان هیجانات متفاوتی را در فرد ایجاد کرد. سپس با تحلیل سیگنال های EEG ثبت شده می توان به شناسایی و طبقه بندی این هیجانات پرداخت.

کلیدواژه ها:

یادگیری عمیق ، هیجانات ، پردازش سیگنال EEG ، رابط مغز کامپیوتر ، شبکه عصبی کانولوشنی ، LSTM-CNN