بهبود دقت در تشخیص احساسات با استفاده از سیگنال های EEG با نوآوری در ترکیب استخراج ویژگی

از آنجا که احساسات نقش مهمی در زندگی روزمره انسان بازی می کند، ایجاد روشی هوشمند جهت بهبود قابلیت تشخیص احساسات از سیگنال الکتروانفسالوگرافی (EEG) ، مبتنی بر تکنیک های پردازش سیگنال، ضروری به نظر می رسد. به علاوه، استفاده از طبقه بند ماشین بردار پشتیبان بهینه شده با الگوریتم تکاملی ژنتیک، از نوآوری های این پژوهش در بخش طبقه بندی می باشد.
روش پیشنهادی با تمرکز بر روی استخراج و طبقه بندی ویژگی ها بر مبنای سیگنال های دریافتی از مغز سعی بر بهبود تشخیص احساسات دارد. در این راستا با شناسایی کانال های EEG که در استخراج ویژگی نقش دارند، از ویژگی های زمان – فرکانس سیگنال های EEG استفاده شده و این ویژگی ها توسط یک طبقه بند مناسب، طبقه بندی می شوند. الگوریتم پیشنهادی بر روی پایگاه داده DEAP که با ثبت سیگنال EEG از 32 شرکت کننده در هنگام تماشای 40 نوع ویدئو-موسیقی تهیه شده است، مورد آزمایش قرار گرفت.
نتایج به دست آمده نشان می دهد که انتخاب 7.5 ثانیه و 3 کانال از داده های ورودی، نتایج قابل قبولی را ارائه می دهد. به علاوه باعث کاهش حجم محاسبات و حافظه مورد نیاز برای پردازش شده و به دقت 86/93% در طبقه بندی 4 احساس دست یافته است.
بهبود دقت در تشخیص احساسات مبتنی بر سیگنال EEG گام های متعددی دارد که استخراج ویژگی های کارآمد و طبقه بندی موثر آن ها دو گام مهم در این راستا می باشد. بر اساس نتایج این تحقیق، در نظر گرفتن ویژگی های حوزه های زمان و فرکانس سیگنال های EEG و به کارگیری الگوریتم SVM چند کلاسه که توسط الگوریتم تکاملی ژنتیکی بهینه سازی شده است، عملکرد بهتری را فراهم می کند.