بازشناسی هیجانات القاشده توسط تحریک شنوایی از سیگنال EEG مبتنی بر طبقه بندی بر پایه ی نمایش تنک
Publish place: Tabriz Journal of Electrical Engineering، Vol: 49، Issue: 1
Publish Year: 1398
نوع سند: مقاله ژورنالی
زبان: Persian
View: 468
This Paper With 11 Page And PDF Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_TJEE-49-1_030
تاریخ نمایه سازی: 17 تیر 1398
Abstract:
هیجانات، برای تفسیر درست اقدامات و همچنین ارتباطات بین انسان ها مهم هستند. شناخت هیجانات از طریق سیگنال الکتروانسفالوگرام (EEG)، امکان تشخیص حالات هیجانی را بدون روش های سنتی ازجمله پر کردن پرسشنامه، میسر می گرداند و می تواند بدون معاینات و ویزیت های بالینی، هیجان مورد نظر در فرد را بازگو نماید که نقش بسیار مهمی در تکمیل کردن پازل تعامل بین مغز و کامپیوتر(BCI) ایفا می کند. ازجمله چالش های عمده ای که در این زمینه وجود دارد، نخست انتخاب و استخراج ویژگی های مناسب از سیگنال الکتروانسفالوگرام است، به نحوی که تمییز قابل قبولی را بین حالات هیجانی مختلف ایجاد نمایند. چالش دیگر انتخاب یک الگوریتم طبقه بند مناسب، برای تفکیک و برچسب گذاری صحیح سیگنال های مربوط به هر هیجان است. این مقاله، با ارائه ی روشی مستقیم از چالش های ذکرشده، گذر کرده و نتایج عملکرد طبقه بندی کننده بر اساس نمایش تنک سیگنال (SRC) و بازسازی آن توسط دیکشنری آموزش دیده شده، گزارش شده است. روش پیشنهادی این مقاله بر روی دو پایگاه داده آزمایش شده است که پایگاه اول حاصل طراحی سناریو و ثبت سیگنال آزمایشگاهی همین مقاله با تحریک شنوایی بوده است و پایگاه داده دوم مربوط به ثبت داده ی دانشگاه شانگهای چین است. نتایج روش پیشنهادی صحت بالای 80% را برای بازشناسی دو هیجان مثبت و منفی فراهم می کند و نشان می دهد که روش پیشنهادی درصد موفقیت بالاتری در طبقه بندی هیجانات نسبت به پژوهش های پیشین دارد.
Keywords:
Authors
محمد عبدالهی
دانشکده مهندسی برق و کامپیوتر - دانشگاه تبریز
توحید یوسفی رضایی
دانشکده مهندسی برق و کامپیوتر - دانشگاه تبریز
سبحان شیخی وند
دانشکده مهندسی برق و کامپیوتر - دانشگاه تبریز
مراجع و منابع این Paper:
لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :