تشخیص حالت‌های احساسی مبتنی بر EEG با استفاده از شبکه یادگیری عمیق

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.