تشخیص احساسات مبتنی بر سیگنال‌های eegبا استفاده از ویژگی آنتروپی پراکندگی چندمقیاسی

در سال­های اخیر، با پیشرفت هوش مصنوعی و تکنولوژی رابط بین مغز و رایانه، تشخیص احساس بر اساس سیگنال­های فیزیولوژیکی، به­ویژه سیگنال الکتروانسفالوگرام (eeg)، به یک موضوع تحقیقاتی محبوب تبدیل شده­است و توجه گسترده­ای را به خود جلب کرده­است. در این مقاله، برای تعیین کمیت پیچیدگی سیگنال­ها در مقیاس­های زمانی متعدد و بهبود نتایج تشخیص احساس، ما آنتروپی پراکندگی چندمقیاسی(mde) را به عنوان یک روش بسیار سریع و قدرتمند، که مبتنی بر توسعه­های انجامشده روی آنتروپی پراکندگی می­باشد، معرفی کرده­ایم. بنابراین، هدف ما استخراج این ویژگی از سیگنال­های eeg و استفاده از آن در تشخیص احساسات میباشد. ابتدا سیگنال را با استفاده از یک فیلتر باترورث به چهار باند فرکانسی گاما، بتا، آلفا و تتا تجزیه می­کنیم و سپس ویژگی­ها را از همه باندهای به دست­آمده و سیگنال تجزیه­نشده استخراج می­کنیم. از طرفی به دلیل ماهیت نامتوازن داده­های پایگاه داده deap، با استفاده از تکنیک بیش نمونه­گیری اقلیت مصنوعی، علاوه بر متعادل کردن داده­ها از تمایل بیش از حد طبقه­بند برای پیش­بینی کلاس اکثریت جلوگیری می­کنیم. روش پیشنهادی علاوه بر توانایی بهتر برای توصیف سیگنال­های eeg ، سرعت بالاتری نسبت به سایر ویژگی­های آنتروپی در محاسبات دارد. نتایج آزمایش نشان می­دهد باند گاما بیشترین همبستگی را با احساسات دارد. همچنین، روش پیشنهادی به صحت 95/91% و 21/91% برای طبقه­بندی دوکلاسه برانگیختگی زیاد/کم (ha/la) و ظرفیت زیاد/کم (hv/lv) رسید. همچنین، به­منظور ارزیابی بیشتر مدل پیشنهادی، آن را برای طبقه­بندی احساسات در چهار کلاس نیز بررسیکردیم و متوسط صحت 67/96روی چهار کلاس حاصل شد.