طبقه بندی احساس افراد با استفاده از سیگنال های مغزی و محیطی

Authors

Abstract:

Abstract Emotions play a powerful and significant role in human beings everyday life. They motivate us, impact our beliefs and decision making and would affect some cognitive processes like creativity, attention, and memory. Nowadays the use of emotion in computers is an increasingly in vogue field. In many ways emotions are one of the last and least explored frontiers of intuitive human-computer interactions. This can perhaps be explained by the fact that computers are traditionally viewed as logical and rational tools which is incompatible with the often irrational and seeming illogical nature of emotions. It is apparent that we as humans, in spite of having extremely good abilities at felling and expressing emotions, still cannot agree on how they should best be defined. until now, there are a bunch of good reasons which supports that emotion is a fitting topic for Human-Computer Interaction research. Human beings who are emotional creatures should theoretically be able to interact more effectively with computers which can account for these emotions. So Emotions assessed would make some improvement in HCI. The goal of our research is to perform a multimodal fusion between EEG’s and peripheral physiological signals for emotion detection. The input signals were electroencephalogram, galvanic skin resistance, blood pressure and respiration, which can reflect the influence of emotion on the central nervous system and autonomic nervous system respectively. The acquisition protocol is based on a subset of pictures which correspond to three specific areas of valance-arousal emotional space(positively excited, negatively excited, and calm). The features extracted from input signals, and to improve the results of brain signals, nonlinear features as correlation dimension, largest lyapunov exponent and fractal dimension is used. The performance of four classifiers: LDA, QDA, KNN, SVM has been evaluated on different feature sets: peripheral signals, EEG’s, and both. Synchronization likelihood is used as a channel selection algorithm and the performance of two feature selection algorithms; Genetic Algorithm and Mutual information is evaluated. The best result of accuracy in EEG signals is 63.3% with QDA as classifier, the best result of peripheral signals is 61.67% and the best of both is 63.3% with QDA. In comparison among the results of different feature sets, EEG signals seem to perform better than other physiological signals, and the results presented showed that EEG’s can be used to assess emotional states of a user. Also, fusion provides more robust results since some participants had better scores with peripheral signals than with EEG’s and vice-versa.

Upgrade to premium to download articles

Sign up to access the full text

Already have an account?login

similar resources

استفاده از شبکه های تجمیع خبرگان(Mixture of Experts)به منظور طبقه بندی سیگنال مغزی افراد سالم و بیماران صرعی

چکیده: EEGیکی از مهمترین و رایجترین مراجع برای مطالعه عملکرد مغز واختلالات نورولوژیک است. به همین دلیل، تشخیص تغییرات EEG توسط سیستم‌های خودکار، موضوعی است که برای سال‌های متوالی تحت مطالعه است.از آنجا که در هر سیستم دسته بندی، صحت تصمیم گیری از اهمیت ویژه ای برخوردار است، لذا نیازمند وجود روش های طبقه بندی بهتر برای سیگنال مغزی هستیم. در این تحقیق، به دنبال ارائه یک سیستم هوشمند مرکب برای بهبو...

full text

طبقه بندی افراد الکلی و غیر الکلی مبتنی بر ویژگی‌های فرکانسی و غیرفرکانسی سیگنال مغزی

اثر اصلی عمده و کوتاه مدت الکل بر سیستم اعصاب مرکزی است. مصرف مشروبات الکلی باعث ایجاد ناتوانی در مغز می‌شود به‌طوری‌که مصرف زیاد مشروبات الکلی باعث فلج‌شدن فعالیت‌های مغزی، دستگاه تنفس و در نتیجه مرگ می‌گردد. در این مقاله به‌منظور تشخیص مصرف الکل، سیگنال الکتروانسفالوگرام (EEG) بیست فرد شرکت‌کننده شامل 10 فرد الکلی و 10 فرد کنترل در 64 کانال مورد بررسی قرار گرفته است. به‌منظور تحلیل سیگنال EEG...

full text

تجزیه و تحلیل احساسات افراد از طریق سیگنال های مغزی با استفاده از تابع نگاشت پوانکاره

Introduction: Dynamic alterations of the brain are of high significance when it comes to analyze the human feelings. In this study, the hidden patterns corresponding for the emotional states have been investigated by adopting a certain Poincare’ map function inspired by the theory of chaos. The present study aimed to explore the significance relationship between the proposed methodology and the...

full text

بهبود دقت طبقه بندی با استفاده از طبقه بندی مرکب جهت تحلیل سیگنال های مغزی

در این پایان نامه هدف، بهبود دقت طبقه بندی مرکب در تحلیل سیگنال های مغزی است. تحلیل سیگنال مغزی در زمینه های مختلفی ازجمله واسط مغز رایانه، علوم شناختی و تشخیص بیماری ها نقش مهمی را ایفا می کند. ازآنجاکه طبقه بندی سیگنال های مغزی جز مسائل پیچیده طبقه بندی به شمار می رود از طبقه بندهای مرکب برای دسته بندی این سیگنال ها استفاده می شود. اختلاط خبره ها یکی از روش های ترکیب طبقه بندهاست که در تحلیل ...

بررسی اثر ضربان های دوگوشی بر افراد معتاد با استفاده از سیگنال مغزی (EEG)

Aim and scope: When two audio signals with different frequencies are presented separately to the left and right ears, the brain perceived an audio signal with frequency equal to the frequency difference between the two audio signals. This phenomenon has known as the binaural beat. If this technology used regular and listened targeted, it can reduced stress and anxiety, and increased focus, conc...

full text

طبقه بندی سیگنال الکترومایوگرام سطحی چند کاناله ساعد با استفاده از یک ساختار خودسازمانده فازی-عصبی

طبقه بندی با دقت بالای سیگنال الکترومایوگرام سطحی برای کنترل دست مصنوعی از عناوین مهم تحقیق در حوزه توان بخشی است. به ویژه آنکه با افزایش درجات آزادی، نرخ تشخیص درست بشدت کاهش می یابد. در مقاله حاضر بر اساس یک ساختار خودسازمانده فازی-عصبی جدید پیشنهادی پنج لایه، طبقه بندی سیگنال الکترومایوگرام چند کاناله انجام شده است. در این ساختار متناظر با ویژگی های ورودی، قواعد جدید ایجاد و وزن آنها بر اساس...

full text

My Resources

Save resource for easier access later

Save to my library Already added to my library

{@ msg_add @}


Journal title

volume 6  issue 1

pages  33- 52

publication date 2009-09

By following a journal you will be notified via email when a new issue of this journal is published.

Keywords

No Keywords

Hosted on Doprax cloud platform doprax.com

copyright © 2015-2023