نوع مقاله: مقاله کامل پژوهشی

نویسندگان

1 دانشگاه صنعتی نوشیروانی بابل

2 دانشکده مهندسی برق، دانشگاه علم و صنعت، تهران

10.22041/ijbme.2019.97535.1419

چکیده

یکی از راه‌های ارتباط انسان و کامپیوتر بر پایه‌ی شناخت احساسات است. در این مقاله، مساله تشخیص احساسات با استفاده از سیگنال الکتروانسفالوگرام (EEG) مورد توجه قرار گرفته و در آن، با توجه به خاصیت غیرایستایی EEG، با استفاده از تجزیه مد تجربی (EMD)، توابع مد ذاتی (IMF) استخراج شده و سپس ۳ IMF اول انتخاب می‌شود. هر IMF با پنجره‌ یک ثانیه‌ای تبدیل به تکه‌های کوچکتری می‌شود و از هر قسمت ویژگی توان استخراج می‌شود. سپس با استفاده از یک نگاشت مناسب، موقعیت الکترودها درسیستم ۱۰-۲۰ به موقعیت پیکسل‌ها در یک تصویر تبدیل می‌شود و ویژگی‌های استخراج شده به عنوان مولفه‌های رنگ پیکسل در نظر گرفته می‌شود. برای تعیین کلاس ظرفیت، مجموعه‌ی همه‌ی تصویرهای تولیدشده، به عنوان ورودی به یک شبکه یادگیری عمیق داده می‌شود و خروجی، کلاس بالا یا پایین ظرفیت را مشخص می‌کند. همین روند برای تعیین کلاس برانگیختگی انجام می‌شود. برای بررسی روش از پایگاه داده‌ی DEAP استفاده شده است. با انتخاب تصویر با اندازه‌ی ۱۷×۱۷، میانگین دقت و انحراف معیار طبقه‌بندی برای ظرفیت 78.58٪ و 3.9 و برای برانگیختگی 78.66٪ و 3.1 به دست آمد که در مقایسه با کارهای مشابه بهبود قابل توجهی را نشان می‌دهد.

کلیدواژه‌ها

عنوان مقاله [English]

EEG-based emotional state recognition using deep learning network

نویسندگان [English]

  • Seyedeh Saeideh Zahedi Haghighi 1
  • Sayed Mahmoud Sakhaei 1
  • Mohammadreza Daliri 2

1 Babol Noshirvani University of Iran, Babol, Iran

2 Electrical Engineering Department, Iran University of Science and Technology

چکیده [English]

Emotion is one of the most important human quality that plays an important role in life. Also, one way of communicating between human and computer is based on emotion recognition. One way of emotion recognition is based on electroencephalographic Signal (EEG). In this paper, according to the non-stationary property of EEG, intrinsic mode functions (IMF) extracted by using empirical mode decomposition (EMD) and, then first 3 IMFs selected. Each IMF converts into smaller pieces with a one-second window and power feature has been extracted from each piece. Then, by using a suitable mapping, the position of the electrodes in the 10-20 system becomes the position of the pixels in the picture. The extracted features are considered as pixel color components. To determine the class of valence, the set of all generated pictures is given as input to a deep learning network and output determine the high or low class of valence. The same process is used to determine the class of arousal. To examining the method, the DEAP dataset is used. By choosing 17 * 17 for the image size, the mean accuracy and standard deviation were obtained of 78.58% and 3.9 for the valence and 78.66% and 3.1 for the arousal which that shows a significant improvement compared to similar tasks.

کلیدواژه‌ها [English]

  • EEG
  • Empirical Mode Decomposition
  • Emotion Recognition
  • Deep Learning Network