طبقه‌بندی خودکار احساسات مرتبط با رویا با استفاده از ویژگی‌های غیرخطی سیگنال الکتروانسفالوگرام

تجربه‌ی رویا دنیای درون انسان را به فرآیندهای احساسی‌اش مرتبط ساخته و درک و شناخت عملکرد مغز در این مرحله از خواب را ممکن می‌سازد. در سال‌های اخیر تحقیقات گسترده‌ای برای تشخیص احساسات در حالت بیداری و با استفاده از سیگنال‌های الکتروانسفالوگرام انجام شده است؛ اما با اینکه فعالیت احساسات بعد از خواب هم در قالب رویا ادامه پیدا می‌کند و بهتر می‌تواند مجموعه‌ای از حالات فیزیولوژیکی و فیزیکی بدن را نشان دهد، تحقیقات محدودی برای طبقه‌بندی و ارزیابی احساسات در رویا انجام شده است. در این مطالعه ابتدا سیگنال الکتروانسفالوگرام با استفاده از تبدیل موجک گسسته به زیرباندهای مختلف تجزیه شد. سپس ویژگی‌های غیرخطی مانند آنتروپی تفاضلی، آنتروپی جایگشت و آنتروپی شباهت کسینوسی از هر کدام از زیرباندهای به‌دست‌آمده استخراج شد. پس از آن بهترین مجموعه از ویژگی‌ها با استفاده از تکنیک انتخاب متوالی رو به جلو (sfs) انتخاب شد و به‌عنوان ورودی به مدل‌های نزدیکترین همسایگی (knn)، ماشین بردار پشتیبان (svm) و حداکثر افزایش گرادیان (xgboost) جهت طبقه‌بندی باینری داده شد. عملکرد این ویژگی‌ها در تفکیک احساسات مثبت و منفی با استفاده از یک مجموعه داده‌ی الکتروانسفالوگرام (eeg) به نام deed که از سال 2022 به‌طور عمومی در دسترس بوده است، مورد بررسی قرار گرفت. در این مجموعه‌ی داده سیگنال eeg 38 نفر در طول 82 شب خواب با کیفیت مطلوب ثبت شده است. نتایج حاصل از طبقه‌بندی نشان داد که طبقه‌بند knn می‌تواند میانگین صحت 99.26% در تفکیک دو کلاس مثبت و منفی فراهم سازد. نتایج تجربی به‌دست‌آمده روی مجموعه‌ی داده‌ی deed نشان داد که این روش پیشنهادی پتانسیل بالایی در تشخیص احساسات در حالت رویا دارد.