تنک سازی رگرسیون PLS با استفاده از نرم-2 ضرایب وزن دار: کاربرد در حل مسئله بازشناسی احساسات

سیگنال الکتریکی مغز به دلیل سهولت در ثبت، غیرتهاجمی بودن و دقت آن، کاربرد بسیار گسترده ای در حوزه های کلینیکی و تحقیقات دانشگاهی پیدا کرده است. یکی از کاربردها را می توان بازشناسی احساس از روی سیگنال الکتریکی مغزی دانست. برای مشخص کردن نوع احساس برانگیخته عموما از دو معیار خوشایندی و انگیختگی استفاده می شود که به ترتیب "میزان مثبت یا منفی بودن" و "میزان برون فکنی یا هیجان ایجاد شده" را برای احساس خاص مشخص می نمایند. اهمیت احساس با توجه به عکس العمل های ناشی از این پدیده، در انجام وظایف روزانه به خصوص در مواردی که شخص با فعالیت هایی که نیاز به دقت و تمرکز دارند روبه روست، مشخص می شود. در مسئله بازشناسی احساس، ابتدا با استفاده از محرک های حسی مناسب، احساسات مختلف برای سوژه های مورد بررسی ایجاد شده و سیگنال های مغزی متناظر با هر تحریک ثبت می شوند. دو مرحله پردازش اصلی در حل مسئله بازشناسی احساسات، استخراج ویژگی های مناسب و استفاده از طبقه بندها یا رگرسیون های مناسب است. در پژوهش های پیشین، محرک های مختلف بینایی و شنوایی مورد استفاده قرار گرفته اند و ویژگی ها و طبقه بندهای متنوع خطی و غیرخطی بررسی شده اند. در این مقاله، هدف بهبود الگوریتم های رگرسیون خطی برای تخمین بهتر معیارهای بازشناسی احساسات انسانی بوده است. بدین منظور یک الگوریتم جدید ارایه شده است که از تنک بودن بردار ترکیب در کنار تابع هزینه رگرسیون خطی استفاده می کند. کارایی الگوریتم ارایه شده بر روی داده های ساختگی بررسی شده است و برتری آن نسبت به الگوریتم های رگرسیون خطی PLS، LASSO، SOPLS و Ridge نشان داده شده است. هم چنین برای اعمال الگوریتم ارایه شده بر روی داده های EEG مربوط به بازشناسی احساسات، از مجموعه دادگان DEAP استفاده شده و ویژگی ضرایب مدل AR از سیگنال های EEG استخراج شده است. نتایج به دست آمده از الگوریتم پیشنهادی با نتایج به دست آمده از دیگر الگوریتم ها مقایسه شده است که در مجموع برتری نسبی الگوریتم ارایه شده را نشان می دهد.