تشخیص هیجانات القاشده با تحریک شنوایی از سیگنال های EEG براساس شبکه های یادگیری عمیق

هیجانات، برای تفسیر درست اقدامات و نیز ارتباطات بین انسان ها مهم اند. شناخت هیجانات ازطریق سیگنال الکتروانسفالوگرام (EEG)، امکان تشخیص حالات هیجانی را بدون روش های سنتی ازجمله پرکردن پرسشنامه، میسر و بدون معاینات و ویزیت های بالینی، هیجان مدنظر را در فرد بازگو می کند که نقش بسیار مهمی در تکمیل کردن پازل تعامل بین مغز و کامپیوتر (BCI) دارد. یکی از مشکلات تشخیص خودکار هیجانات، استخراج ویژگی های مطلوب است؛ به گونه ای که این ویژگی ها بیشترین تمایز را بین مراحل مختلف هیجانی ایجاد می کنند. فرآیند یافتن ویژگی های مناسب، عموما امری زمان بر است. در این پژوهش، رویکرد جدیدی برای شناسایی خودکار 3 حالت مثبت، منفی و خنثی از هیجانات مبتنی بر تحریک شنوایی از سیگنال های EEG ارایه شده است. در روش پیشنهادی، مستقیما سیگنال EEG ثبت شده، ورودی شبکه عمیق کانولوشنال و شبکه حافظه طولانی کوتاه مدت (CNN-LSTM) در نظر گرفته می شود؛ بدون اینکه از استخراج/انتخاب ویژگی کلاسیک استفاده شود. موارد گفته شده به عنوان روند چالش برانگیز در ادبیات قبلی مطرح شده است. معماری شبکه پیشنهادی به صورت 10 لایه کانولوشن با 3 لایه LSTM و به دنبال آن، 2 لایه کاملا متصل طراحی شده است. نتایج شبیه سازی روش پیشنهادی برای طبقه بندی 2 حالت و 3 حالت از هیجانات به ترتیب صحت 42/97 % و 23/95 % و ضریب کاپاکوهن 96/0 و 93/0 را ارایه می دهند. علاوه بر این، مقایسه نتایج حاصل شده با روش های رایج، عملکرد مطلوب روش پیشنهادی را نشان می دهد.