بررسی میزان تعین سیگنالهای مغزی در احساسات مثبت، منفی و خنثی در منابع حاصل از الگوریتم ICA

عبدالصالحی, مهدی; مطیع نصرآبادی, علی; فیروزآبادی, سید محمد

doi:10.22041/ijbme.2013.13088

نوع مقاله : مقاله کامل پژوهشی

نویسندگان

¹ دانشجوی دکتری ، دانشکده مهندسی پزشکی، دانشگاه آزاد اسلامی واحد علوم و تحقیقات

² دانشیار، دانشکده مهندسی پزشکی، دانشگاه شاهد

³ استاد، گروه فیزیک پزشکی، دانشگاه تربیت مدرس

10.22041/ijbme.2013.13088

چکیده

در این تحقیق به بررسی سیگنالهای الکتروانسفالوگرام در احساسات مثبت، منفی و خنثی پرداخته شده است. در این پژوهش، فرض شده است که مغز دارای منابع مستقل مختلفی در هنگام هر فعالیت احساسی بوده که این منابع توسط الگوریتم پردازش مولفه های مستقل (ICA) قابل مشاهده خواهند بود. برای غلبه بر مشکل نامشخص بودن ترتیب مولفه های استخراج شده در الگوریتم ICA ابتدا با استفاده از آنتروپی شانون، این منابع مرتب و سپس از روی این منابع مرتب شده، ویژگی های بعد فراکتالی Katz و اولین محل کمینه شدن اطلاعات متقابل بر حسب تاخیر به عنوان نمایش دهنده های تعین استخراج شده اند. نتایج نشان می دهد که میزان تعین منابع مرتب شده دارای اختلاف معنی داری در طول زمان و در سه حالت احساسی مثبت، منفی و خنثی می باشد. میزان تعین در حالت های احساسی خنثی، منفی و مثبت به ترتیب افزایش می یابد.

کلیدواژه‌ها

موضوعات

پردازش سیگنال‌های حیاتی

عنوان مقاله [English]

Investigation of Positive, Negative and Neutral Emotion’s determinism through EEG signal processing in extracted component of ICA

نویسندگان [English]

Mehdi Abdossalehi ¹
Ali Motie Nasrabadi ²
Seyed Mohammad Firouzabadi ³

¹ Phd Student, Faculty of biomedical Engineering, Islamic Azad University, science and Research Branch

² Associate Professor, Biomedical Engineering Group, Shahed University

³ Biomedical Engineering Group, Tarbiat Modarres University

چکیده [English]

In this study, electroencephalogram (EEG) signals have been analyzed in positive, negative and neutral emotions. Here it is supposed that the brain has different independent sources during an emotional activity which will be extractable by Independent Component Analysis (ICA) algorithm. For resolving the illposeness problem of extracted components by ICA algorithm, first these sources were sorted by Shannon entropy and then the features of Katz fractal dimension and the first local minimum of the mutual information based on the time delay (tau) have been extracted for representing determinism. The results show that the determinism ratio of the sorted sources has significant difference during the time in three emotional states: positive, negative and neutral. The determinism ratio increases in neutral, negative and positive emotional states, respectively.

کلیدواژه‌ها [English]

emotion
EEG
ICA
mutual information
Katz Fractal dimension

مراجع

[1] Kim, M & et al. (2013). A Review on the Computational Methods for Emotional State Estimation from the Human EEG, Computational and Mathematical Methods in Medicine

[2] Adolphs, R. (2009). The social brain: neural basis of social knowledge. Annu Rev Psychol, vol. 60, pp. 693–716.

[3] Agrawal, D & et al. (2013). Electrophysiological responses to emotional prosody perception in cochlear implant users, NeuroImage: Clinical , pp.229–238

[4] Zhang, Q & et al. (2010). A hierarchical positive and negative emotion understanding system based on integrated analysis of visual and brain signals, Neurocomputing, vol. 73, pp. 3264–3272

[5] Chanel, Emotion assessment for affective computing based on brain and peripheral signals, PhD thesis, UNIVERSITE DE GENEVE, (2009)

[6] Colombo, C & et al. (1999). Semantics in visual information retrieval, IEEE Multimedia, vol. 6(3), pp. 38–53.

[7] Assfalg, j & et al. (2002), Semantic annotation of sports videos, IEEE Multimedia, vol. 9(2), pp.52–60.

[8] Yu, C and Xu, L. An emotion-based approach to decision making and self-learning in autonomous robot control, The Fifth World Congress on Intelligent Control and Automation, vol.3, pp. 2386–2390.

[9] Almedia, L.(2003). MISEP – Linear and Nonlinear ICA Based on Mutual Information, Journal of Machine Learning Research, vol. 4, pp. 1297-1318.

[10] Hyvärinen, A & Oja, E. (2000). Independent Component Analysis: Algorithms and Applications, Neural Networks, vol. 13(4-5), pp.411-430.

[11] Knyazev, G & et al. (2012). Extraversion and fronto-posterior EEG spectral power gradient: An independent component analysis. Biological Psychology, vol. 89, pp. 515– 524

[12] Jansen B, Brandt M. (1993). Nonlinear dynamical analysis of the EEG, World Scientific

[13] F. Takens. (1981). Detecting strange attractors in fluid turbulence. In D. Rand and L.-S. Young, editors, Dynamical Systems and Turbulence, pp 366

[14] R. R. Cornelius, "Theoretical approaches to emotion," Proc. Int. Speech Communication Association (ISCA) Workshop on Speech and Emotion, Belfast, Ireland, 2000.

[15] Comparison of fractal dimension estimation algorithms for epileptic seizure onset detection, J. Neural Eng. 7 (2010) 046007 (18pp)

[16] Mandelbrot BB. The fractal geometry of nature. Freeman, New York, 1983

[17] Recurrence plots for the analysis of complex systems, N. Marwan et al. / Physics Reports 438 (2007) 237– 329

[18] Encounters with neighbours, N. Marwan, Dissertation, , university of POTSDOM, 2003

[19] Abdossalehi, M & et al. (under publish). Combining Independent Component Analysis with chaotic quantifiers for the recognition of positive, negative and neutral emotions using EEG signals. Iranian journal of science and technology

نشریه‌ی علمی مهندسی پزشکی زیستی

بررسی میزان تعین سیگنالهای مغزی در احساسات مثبت، منفی و خنثی در منابع حاصل از الگوریتم ICA

مراجع

مراجع

دوره 7، شماره 2 - شماره پیاپی 2
شهریور 1392
صفحه 143-153

بررسی میزان تعین سیگنالهای مغزی در احساسات مثبت، منفی و خنثی در منابع حاصل از الگوریتم ICA

مراجع

مراجع

دوره 7، شماره 2 - شماره پیاپی 2شهریور 1392صفحه 143-153

دوره 7، شماره 2 - شماره پیاپی 2
شهریور 1392
صفحه 143-153