بهینه سازی ویژگی های مستخرج از سیگنال الکتروانسفالوگرام قطعه بندی شده ، بر مبنایتعقیب حرکت چشم بااستفاده از الگوریتم ژنتیک جهت بازشناسی احساسات

سیگنال الکتریکی مغز EEG به دلیل سهولت در ثبت غیر تهاجمی بودن و دقت آن کاربرد بسیار گسترده ای در حوزه های کلینیکی و تحقیقات دانشگاهی پیدا کرده است. یکی از کاربردها را می توان بازشناسی احساس از روی سیگنال الکتریکی مغزی است. اهمیت احساس با توجه به عکس العمل های ناشی از این پدیده، در انجام وظایف روزانه به خصوص در مواردی که شخص با فعالیت هایی که نیاز به دقت و تمرکز دارند روبه روست مشخص می شود. در مسئله بازشناسی احساس، ابتدا با استفاده از محرک های حسی مناسب، احساسات مختلف برای سوژه های مورد بررسی ایجاد شده و سیگنال های مغزی متناظر با هر تحریک ثبت می شوند. دو مرحله پردازش اصلی در حل مسئله بازشناسی احساسات، استخراج ویژگی های مناسب و استفاده از طبقه بندها یا رگرسیون های مناسب است. در پژوهش های پیشین، محرک های مختلف بینایی یا شنوایی مورد استفاده قرار گرفته اند و ویژگی های و طبقه بندهای متنوع خطی و غیر خطی بررسی شده اند. در این مقاله هدف اصلی بهبود الگوریتم های تشخیص احساسات با استفاده از روش های کاهش ویژگی های می باشد. روش ما شامل مراحل زیر است: پیش پردازش به منظور نرمال سازی داده و حذف نویزهای احتمالی، پردازش سیگنال به منظور استخراج ویژگی از سیگنال، کاهش ویژگی برای از بین بردن ویژگی های غیر مفید و طبقه بندی برای تشخیص نوع احساس ایجاد شده و در شخص است. در این مقاله علاوه بر سیگنال EEGاز داده های Eye Gaze نیز استفاده شده است. این سیگنال برای تعیین موقعیت و زاویه چشم مورد استفاده قرار می گیرد. پس از پیش پردازش و حدف نویزها، ژنتیک تعداد ویژگی های کاهش می یابند. در نهایت با کمک طبقه بند ماشین بردار پشتیبان، ویژگی های به دست آمده مورد تجزیه و تحلیل قرار می گیرند. برای این مقاله از داده های پایگاه داده Mahnob HCI Tagging استفاده شده است. این پایگاه داده شامل ۶ نوع احساس است که از طریق نمایش فایل های ویدیویی به ۳۰ شرکت در سال ۲۰۱۱ در آزمایشگاهی در لندن توسط Soleymani و Lichtenauer ثبت شده است. سیگنال های ثبت شده در این پایگاه داده شامل الکتروکاردیوگرام، الکتروانفسالوگرام، Eye Gaze نرخ تنفس و مقاومت گالوانیک پوست است.

Keywords:

سیگنال EEG , سیگنال Eye , Gaze , بازشناسی احساسات , الگوریتم شبکه عصبی , طبقه بند ماشین بردار پشتیبان , ویژگی های زمانی و فرکانسی , ویژگی های آماری