تشخیص حالت‌های احساسی مبتنی بر Eeg با استفاده از شبکه‌ی یادگیری عمیق

یکی از راه‌های ارتباط انسان و کامپیوتر بر پایه‌ی شناخت احساسات است. در این مقاله، مساله‌ی تشخیص احساسات با استفاده از سیگنال الکتروانسفالوگرام (eeg) مورد بررسی قرار گرفته است. در ابتدا، با توجه به خاصیت غیرایستایی eeg، توابع مد ذاتی (imf) با استفاده از تجزیه‌ی مد تجربی (emd) استخراج شده و سپس 3 imf اول انتخاب شده است. هر imf با پنجره‌‌ای یک ثانیه‌ای به تکه‌های کوچک‌تری تبدیل شده و ویژگی توان از هر قسمت استخراج شده است. سپس با استفاده از یک نگاشت مناسب، موقعیت الکترودها درسیستم 1020 به موقعیت پیکسل‌ها در یک تصویر تبدیل شده و ویژگی‌های استخراج شده به عنوان مولفه‌های رنگ پیکسل در نظر گرفته شده است. برای تعیین کلاس ظرفیت، تمام تصاویر تولید شده به عنوان ورودی به یک شبکه‌ی یادگیری عمیق داده شده و کلاس بالا یا پایین ظرفیت (خروجی شبکه) مشخص شده است. از همین روش برای تعیین کلاس برانگیختگی نیز استفاده شده است. برای بررسی روش پیشنهادی از پایگاه داده‌ی deap استفاده شده است. با انتخاب تصویر با اندازه‌ی 17×17، میانگین دقت و انحراف معیار طبقه‌بندی برای ظرفیت برابر با 58/ 78% و 9/ 3 و برای برانگیختگی برابر با 66/ 78% و 1/ 3 به دست آمده که در مقایسه با نتایج کارهای مشابه بهبود قابل توجهی داشته است.