استفاده از رویکرد چند وظیفه‌ای به منظور انتخاب کانال و ویژگی مستقل از فرد برای طبقه‌بندی احساسات از روی سیگنال eeg

تحقیقات نشان می‌دهد که احساس، یک فرآیند ذهنی و متوجه مغز انسان است و روی فرآیندهای مهمّی چون حافظه، تمرکز، تفکّر و تصمیم‌گیری اثر دارد. به همین دلیل مطالعه مکانیزم و عملکرد آن مورد توجّه محققان علوم شناختی قرار گرفته است. مطالعه‌ احساس از طریق پردازش سیگنال‌های بیولوژیکی، علاوه بر کاربردهای کلینیکی که در زمینه تشخیص و درمان به موقع ناهنجاری‌های روانی می‌تواند داشته باشد، در علوم مبتنی بر تعاملات انسان و رایانه نیز نقش مهمی بازی می‌کند و باعث پیشرفت‌های زیادی در این زمینه می‌گردد. اما با توجه به این‌که معمولا تعداد کانال‌ها و ویژگی‌های استخراج شده از سیگنال مغز زیاد می‌باشد، انتخاب کانال‌های مرتبط، با هدف ویژگی‌های موثر، نقش بسزایی در کارایی این روش‌ها دارد. از طرفی این ویژگی‌ها بایستی به نحوی باشند که در مواجهه با افراد جدید نیز کارایی مناسبی داشته باشند. به همین منظور در این مقاله برای انتخاب کانال‌های مرتبط با احساسات و انتخاب ویژگی‌های مناسب مستقل از افراد، رویکرد چند وظیفه‌ای ارائه شده است. همچنین برای نشان دادن کارایی روش پیشنهادی از دادگان dreamer و deap استفاده شد و با در نظر گرفتن دو بُعد احساسی برانگیختگی و ظرفیت آزمایشاتی برای نشان دادن کارایی مطلوب روش پیشنهادی در انتخاب کانال و ویژگی مستقل از فرد انجام شد. نتایج این آزمایشات نشان می‌دهد که روش پیشنهادی نسبت به روش‌های مطرح در این حوزه کارایی بهتری دارد.

Subject-Independent Channel and Feature Selection for Emotion Classification Based on EEG Signal: A Multi-Task Approach

Several researches have shown that emotion is a mental process and relates to the human rsquo;s brain. The emotion has impacts on important procedures, such as memory, concentration, thinking and decisionmaking. As a result, investigating the mechanism and performance of the emotion have attracted the cognitive science researchers rsquo; attentions. In addition to clinical applications on quick detection, diagnosis and treatment of psychological disorders, investigating the emotion through biological signal processing can play an important role in humancomputer communicationbased sciences. This will result in progressive improvements in this field. Due to the fact that number of channels and features extracted out of the EEG signal are usually high, selecting relevant channels, with the aim of obtaining effective features, can have a prominent role in the efficiency of these methods. On the other hand, these features should result in the appropriate efficiency when encounter new subjects. In this paper, a multitask approach is represented for emotionrelated channel selection and proper subjectindependent feature selection purposes. Moreover, to demonstrate the efficiency of the proposed method, DREAMER and DEAP datasets are used. Also, considering two emotional dimensions, including arousal and valance, some experiments are performed to show the desired efficiency of the proposed method for channel selection and subjectindependent feature selection. Experimental results show that the proposed method has better efficiency in comparison with used methods.