%0 Journal Article %T تنک‌سازی رگرسیون PLS با استفاده از نرم-2 ضرایب وزن‌دار: کاربرد در حل مساله‌ی بازشناسی احساسات %J نشریه‌ی علمی مهندسی پزشکی زیستی %I انجمن مهندسی پزشکی ایران %Z 5869-2008 %A عینی‌زاده, عارف %A حاجی‌پور, سپیده %D 2020 %\ 09/22/2020 %V 14 %N 3 %P 221-233 %! تنک‌سازی رگرسیون PLS با استفاده از نرم-2 ضرایب وزن‌دار: کاربرد در حل مساله‌ی بازشناسی احساسات %K سیگنال EEG %K بازشناسی احساسات %K رگرسیون خطی %K رگرسیون PLS %K ضرایب تنک %K خوشایندی %K انگیختگی %R 10.22041/ijbme.2020.124620.1589 %X سیگنال الکتریکی مغز به دلیل سهولت در ثبت، غیرتهاجمی بودن و دقت بالا کاربرد بسیار گسترده‌ای در حوزه‌های کلینیکی و تحقیقات دانشگاهی پیدا کرده است که از آن جمله می‌توان به بازشناسی احساس از روی سیگنال الکتریکی مغز اشاره کرد. برای مشخص کردن نوع احساس برانگیخته عموما از دو معیار خوشایندی و انگیختگی استفاده شده که به ترتیب میزان مثبت یا منفی بودن و میزان برون‌فکنی یا هیجان ایجاد شده را برای یک احساس خاص مشخص می‌نمایند. اهمیت احساس با توجه به عکس­العمل­های ناشی از این پدیده در انجام وظایف روزانه به خصوص در فعالیت­هایی که به دقت و تمرکز نیاز دارند مشخص می­شود. در مساله‌ی بازشناسی احساس ابتدا احساسات مختلف با استفاده از محرک‌های حسی مناسب برای سوژه‌های مورد بررسی ایجاد شده و سیگنال‌های مغزی متناظر با هر تحریک ثبت می‌شود. دو مرحله‌ی پردازش اصلی در حل مساله‌ی بازشناسی احساسات، استخراج ویژگی‌های مناسب و استفاده از طبقه‌بندها یا رگرسیون‌های مناسب است. در پژوهش‌های پیشین محرک‌های مختلف بینایی و شنوایی مورد استفاده قرار گرفته و ویژگی‌ها و طبقه‌بندهای متنوع خطی و غیرخطی بررسی شده است. هدف این مقاله بهبود الگوریتم­های رگرسیون خطی برای تخمین بهتر معیارهای بازشناسی احساسات انسانی است. بدین منظور یک الگوریتم جدید ارائه شده است که از تنک بودن بردار ترکیب در کنار تابع هزینه‌ی رگرسیون خطی استفاده می‌کند. کارایی الگوریتم‌ ارائه شده روی داده‌های ساختگی مورد بررسی قرار گرفته و برتری آن نسبت به الگوریتم‌های رگرسیون خطی PLS، LASSO، SOPLS و Ridge نشان داده شده است. هم‌چنین برای اعمال الگوریتم‌ ارائه شده روی داده‌های EEG مربوط به بازشناسی احساسات از مجموعه‌ی دادگان DEAP استفاده شده و ویژگی ضرایب مدل AR از سیگنال‌های EEG استخراج شده است. نتایج به دست آمده از الگوریتم‌ پیشنهادی با نتایج سایر الگوریتم‌ها مقایسه شده‌ است که در مجموع برتری نسبی الگوریتم ارائه شده را نشان می‌دهد. %U https://www.ijbme.org/article_44750_c850753590544abfd16eadb4e5e2f764.pdf