تشخیص هیجانات القاشده با تحریک شنوایی از سیگنال‌های eeg براساس شبکه‌های یادگیری عمیق

هیجانات، برای تفسیر درست اقدامات و نیز ارتباطات بین انسان‌ها مهم‌اند. شناخت هیجانات ازطریق سیگنال الکتروانسفالوگرام (eeg)، امکان تشخیص حالات هیجانی را بدون روش‌های سنتی ازجمله پرکردن پرسشنامه، میسر و بدون معاینات و ویزیت‌های بالینی، هیجان مدنظر را در فرد بازگو می‌کند که نقش بسیار مهمی در تکمیل‌کردن پازل تعامل بین مغز و کامپیوتر (bci) دارد. یکی از مشکلات تشخیص خودکار هیجانات، استخراج ویژگی‌های مطلوب است؛ به ‌گونه‌ای که این ویژگی‌ها بیشترین تمایز را بین مراحل مختلف هیجانی ایجاد می‌کنند. فرآیند یافتن ویژگی‌های مناسب، عموماً امری زمان‌بر است. در این پژوهش، رویکرد جدیدی برای شناسایی خودکار 3 حالت مثبت، منفی و خنثی از هیجانات مبتنی بر تحریک شنوایی از سیگنال‌های eeg ارائه شده است. در روش پیشنهادی، مستقیماً سیگنال eeg ثبت‌شده، ورودی شبکۀ عمیق کانولوشنال و شبکۀ حافظۀ طولانی کوتاه‌مدت (cnn-lstm) در نظر گرفته می‌شود؛ بدون اینکه از استخراج/انتخاب ویژگی کلاسیک استفاده شود. موارد گفته‌شده به‌عنوان روند چالش‌برانگیز در ادبیات قبلی مطرح شده است. معماری شبکۀ پیشنهادی به‌صورت 10 لایه کانولوشن با 3 لایه lstm و به دنبال آن، 2 لایه کاملاً متصل طراحی شده است. نتایج شبیه‌سازی روش پیشنهادی برای طبقه‌بندی 2 حالت و 3 حالت از هیجانات به‌ترتیب صحت 97.42 % و 95.23 % و ضریب کاپاکوهن 0.96 و 0.93 را ارائه می‌دهند. علاوه بر این، مقایسه نتایج حاصل‌شده با روش‌های رایج، عملکرد مطلوب روش پیشنهادی را نشان می‌دهد.

Recognition of Emotion Provoked by Auditory Stimuli using EEG Signal Based on Deep Neural Networks

Excitements are important for the proper interpretation of actions as well as relationships among individuals. Recognizing emotions through Electroencephalogram (EEG) allows recognition of emotional states without traditional methods including filling in the questionnaire. The automatic emotion recognition reflects the excitement of the individual without clinical examinations or need to visits, which plays a very important role in completing the BrainComputer Interface (BCI) puzzle. One of the major challenges in this regard is first to select and extract the proper characteristics/features of the EEG signal in order to create an acceptable distinction between different emotional states. The process of finding the desirable feature is generally time consuming. This study presents a new approach for the automatic identification of 3states of emotion (positive, negative and neutral) based on the auditory stimulation of EEG signals. In the proposed method, the raw EEG signal is directly applied to convolutional neural networklong short time memory (CNNLSTM) network, without involving the extraction/selection feature. This has been a challenging process in previous literature. The proposed network architecture includes 10 convolutional layers with 3 LSTM layers followed by 2 fully connected layers. The simulation results of the proposed algorithm for classifying 2stages (negative and positive) and 3stages (negative, neutral and positive) of emotion for 12 active channels show the accuracy of 97.42% and 95.23% and Cohen’s Kappa coefficient of 0.96 and 0.93 respectively.