تشخیص و طبقه بندی احساسات با استفاده از سیگنال‌ های فیزیولوژیک و به کارگیری روش های تشخیص الگو

مقدمه: احساس نقش مهمی در سلامت، ارتباط و تعامل بین انسان ها دارد. توانایی شناخت حالات حسی افراد قسمت مهمی از شاخص های سلامتی و ارتباط های طبیعی است. در پایگاه داده deap، سیگنال های الکتروانسفالوگرام و سیگنال های فیزیولوژیکی محیطی مربوط به 32 داوطلب ثبت شده است. شرکت کنندگان در هر ویدئو از نظر سطح انگیختگی، ظرفیت، دوست داشتن/نداشتن، تسلط و آشنایی با ویدئوی مشاهده شده امتیاز داده شدند.روش: در این مقاله رو ش تجربی و کاربردی جهت طبقه بندی ظرفیت، انگیختگی، تسلط و علاقه، توسط رتبه بندی ویژگی های استخراج شده از سیگنال ها با استفاده از الگوریتم هایی بر روی سیگنال های eeg و سیگنال های فیزیولوژیکی محیطی (نظیر سیگنال های الکترومایوگرام، الکترواوکولوگرام، پاسخ الکتریکی پوست، نرخ تنفس، پلتیسموگرام و دمای پوست) انجام گردید. پس از فراخوانی سیگنال ها از پایگاه داده و پیش پردازش اولیه آنها، ویژگی های مختلف در حوزه زمان و فرکانس از کلیه سیگنال ها استخراج گردید. در این مقاله از طبقه بندی کننده های svm و knn، الگوریتم خوشه بندی kmeans و شبکه های عصبی pnn و grnn جهت تشخیص و طبقه بندی احساسات استفاده شد. نتایج: در نهایت نشان داده شد که نتایج نهایی طبقه بندی احساسات توسط روش ها و طبقه بندی کننده های مختلف در این مقاله با دقت بالا صورت می پذیرد. بهترین نتایج صحت حاصل از به کارگیری روش پیشنهاد شده با استفاده از ویژگی های استخراج شده از سیگنال های محیطی و ویژگی های استخراج شده از سیگنال های eeg به ترتیب برابر 85/5‌% و 82/4% به ازای ورودی طبقه بندی کننده svm حاصل گردید.نتیجه گیری: با توجه به نتایج نهایی درخصوص طبقه بندی احساسات در این مقاله، الگوریتم ارائه شده نتایج نسبتاً مناسب تری نسبت به سایر روش های مشابه پیشین ارائه داده است.

Detection and Classification of Emotions Using Physiological Signals and Pattern Recognition Methods

Introduction: Emotions play an important role in health, communication, and interaction between humans. The ability to recognize the emotional status of people is an important indicator of health and natural relationships. In DEAP database, electroencephalogram (EEG) signals as well as environmental physiological signals related to 32 volunteers are registered. The participants in each video were rated in terms of level of arousal, capacity, liking/disliking, proficiency, and familiarity with the video they watched.Method: In this study, a practical empirical method was adopted to classify capacity, arousal, proficiency, and interest by ranking the features extracted from signals using algorithms on EEG signals and environmental physiological signals (such as electromyography (EMG), electrooculography (EOG), galvanic skin response (GSR), respiration rate, photoplethysmography (PPG), and skin temperature. After initializing the signals from the database and preprocessing them, various features in the time and frequency domain were extracted from all signals. In this study, SVM and KNN classifiers, Kmeans clustering algorithm, and neural networks, such as PNN and GRNN were used to identify and classify emotions.Results: It was indicated in this study that the results of the classification of emotions using various methods and classifiers were wellestablished with high accuracy. The best accuracy results were obtained by applying the proposed method using SVM classifier based on features extracted from environmental signals (85.5%) and EEG signals (82.4%).Conclusion: According to the results of the classification of emotions in this study, the proposed algorithm provides relatively better results compared with previous similar methods.