نوع مقاله: مقاله کامل پژوهشی

نویسندگان

دانشکده مهندسی برق، دانشگاه صنعتی شریف، تهران، ایران

10.22041/ijbme.2020.124620.1589

چکیده

سیگنال الکتریکی مغز به دلیل سهولت در ثبت، غیرتهاجمی بودن و دقت آن، کاربرد بسیار گسترده‌ای در حوزه‌های کلینیکی و تحقیقات دانشگاهی پیدا کرده است. یکی از کاربردها را می‌توان بازشناسی احساس از روی سیگنال الکتریکی مغزی دانست. برای مشخص کردن نوع احساس برانگیخته عموماً از دو معیار خوشایندی و انگیختگی استفاده می‌شود که به ترتیب "میزان مثبت یا منفی بودن" و "میزان برون‌فکنی یا هیجان ایجاد شده" را برای احساس خاص مشخص می‌نمایند. اهمیت احساس با توجه به عکس‌العمل‌های ناشی از این پدیده، در انجام وظایف روزانه به‌خصوص در مواردی که شخص با فعالیت‌هایی که نیاز به دقت و تمرکز دارند روبه‌روست، مشخص می‌شود.
در مسئله بازشناسی احساس، ابتدا با استفاده از محرک‌های حسی مناسب، احساسات مختلف برای سوژه‌های مورد بررسی ایجاد شده و سیگنال‌های مغزی متناظر با هر تحریک ثبت می‌شوند. دو مرحله پردازش اصلی در حل مسئله بازشناسی احساسات، استخراج ویژگی‌های مناسب و استفاده از طبقه‌بندها یا رگرسیون‌های مناسب است. در پژوهش‌های پیشین، محرک‌های مختلف بینایی و شنوایی مورد استفاده قرار گرفته‌اند و ویژگی‌ها و طبقه‌بندهای متنوع خطی و غیرخطی بررسی شده‌اند.
در این مقاله، هدف بهبود الگوریتم‌های رگرسیون خطی برای تخمین بهتر معیارهای بازشناسی احساسات انسانی بوده است. بدین منظور یک الگوریتم جدید ارائه شده است که از تنک بودن بردار ترکیب در کنار تابع هزینه رگرسیون خطی استفاده می‌کند. کارایی الگوریتم‌ ارائه شده بر روی داده‌های ساختگی بررسی شده‌ است و برتری آن نسبت به الگوریتم‌های رگرسیون خطی PLS، LASSO، SOPLS و Ridge نشان داده شده است. هم‌چنین برای اعمال الگوریتم‌ ارائه‌شده بر روی داده‌های EEG مربوط به بازشناسی احساسات، از مجموعه دادگان DEAP استفاده شده و ویژگی ضرایب مدل AR از سیگنال‌های EEG استخراج شده است. نتایج به دست آمده از الگوریتم‌ پیشنهادی با نتایج به دست آمده از دیگر الگوریتم‌ها مقایسه شده‌ است که در مجموع برتری نسبی الگوریتم ارائه‌شده را نشان می‌دهد.

کلیدواژه‌ها

موضوعات

عنوان مقاله [English]

Sparsification of the PLS regression algorithm using L2-norm of weighted coefficients: Application in emotion recognition

نویسنده [English]

  • Aref Einizade

Electrical Engineering Department, Sharif University of Technology, Tehran, Iran

چکیده [English]

The brain electrical signal has been widely used in clinical and academic research, due to its ease of recording, non-invasiveness, and precision. One of the applications can be emotion recognition from the brain's electrical signal. Generally, two types of parameters (Valence and Arousal) are used to determine the type of emotion, which, in turn, indicate "positive or negative" and "level of extroversion or excitement" for a specific emotion. The significance of emotion is determined by the effects of this phenomenon on daily tasks, especially in cases where the person is confronted with activities that require careful attention and concentration.
In the emotion recognition problem, firstly, using proper emotion stimuli, different emotions are created for the subjects under study and the brain signals corresponding to each stimulus are recorded. The two main steps for solving the emotion recognition problem are extracting suitable features and using appropriate classification or regression methods. In previous studies, different visual and auditory have been used, and various linear and nonlinear features and classifiers have been investigated.
In this paper, the main goal was the improvement of linear regression algorithms to estimate the criteria for recognizing human emotions more efficiently. For this purpose, we proposed a new algorithm that uses the sparseness of the mixing vector along with the linear regression cost function. The effectiveness of the proposed algorithm on simulated data has been investigated and its superiority to linear regression algorithms such as PLS, LASSO,, SOPLS and Ridge was shown. Also, to apply the proposed algorithm on EEG data corresponding to emotion recognition, the DEAP dataset was used, and the AR coefficients were extracted from the EEG signals. The results obtained from the proposed algorithm were compared with those of the other linear regression algorithms, which in total showed the relative superiority of the proposed method.

کلیدواژه‌ها [English]

  • EEG signal
  • Emotion Recognition
  • linear regression
  • PLS regression
  • Sparse coefficients
  • Valence
  • arousal