Clasificarea emoțiilor de la semnale EEG în

Rețele neuronale convoluționale

Corpul uman este unul dintre cele mai fundamentale șiprovocând domeniile de
cercetare ale științei. În epoca noastră, diverseau fost generate aplicații inginerești pentru
diagnosticarea și vindecarea multor afecțiuni. De asemenea, au existatmulte soluții pentru
asigurarea unei vieți confortabile. Creierul esteunul dintre organele majore ale corpului uman
care are vitalitate funcții pentru viețile umane. Pentru a înțelege creierul
funcții, monitorizare EEG (Electroencefalogramă) metoda este utilizată pentru a înregistra
activitatea electrică a creierului. La fel de Nunez și colab. a afirmat că EEG este o fereastră a
unei minți și permite imagistica dinamicii creierului. Prin Studiul lui Nunez a făcut diferite tipuri
de cercetări în zona de procesare a semnalului cerebral pentru a găsi o relație între
Semnalele EEG și unele evenimente fiziologice, cum ar fi somnul stări, tulburări neurologice și
emoții. În acest sens context, clasificarea emoțiilor este examinată din EEG
înregistrări de semnal în această cercetare.

Odată cu apariția metodelor de învățare profundă, au existat studii privind recunoașterea

emoțiilor bazate pe EEG folosind instrumentele de învățare profundă. Jirayucharoensak și colab.
folosit un adânc rețea de învățare pentru cercetarea lor. În acest studiu analiza componentelor
principale (PCA) a fost preferată în ordine pentru a extrage cele mai importante componente ale
intrării inițiale caracteristici pentru a depăși problema supraadaptării.

Toate aceste studii s-au concentrat în principal asupra modului în care activitatea
creierului schimbări cu răspunsul la stările emoționale și cum să clasificați-le cu precizie. Unele
dintre ele au fost concentrate asupra numai separarea emoțiilor negative și pozitive,
în timp ce unii dintre ei s-au concentrat pe principalele șapte tipuri de emoții frică, tristețe,
fericire, dezgust, furie, bucurie și relaxare.

În psihologie, emoția poate fi definită ca o stare de credință care are ca rezultat

schimbări psihologice, care la rândul lor rezultă în schimbări fizice care reflectă gândurile și
conduită în această stare. Emoțiile sunt recunoscute cu ajutorul cuvintelor, stimulilor auditivi și
vizuali care denotați emoții sau etichete de clasă. Modelul categoric fie
folosește șase stări emoționale de bază, cum ar fi furia, dezgust, frică, bucurie, tristețe și surpriză.
Pentru a obține relații exacte între semnalele creierului și emoțiile, achiziționarea corectă a
datelor cu dreptul excitația este una dintre problemele provocatoare. Prin urmare, în
această cercetare a realizat un videoclip special editat, care a fost anterior
creat pentru clasificarea emoțiilor în [13] este utilizat. Videoclipul
consideră să răspundă emoțional la scene emoționale. Acestea sunt frică, tristețe și distracție și
durata totală a videoclipului a fost de 224 secunde.

În acest studiu, 10 participanți sunt implicați în experiment. Toți participanții au fost

femei. Gama de vârstă a participanții au variat între 24 și 33. Un exemplu de videoclip
care a fost editat pentru acest studiu este prezentat la participanți. În acest videoclip, sunt unele
triste, amuzante și scene înfricoșătoare care provoacă percepțiile acestor emoții
voluntari. Simultan, semnalele EEG ale participanților au fost înregistrate pentru a-și lua
răspunsurile. Date EEG a fost înregistrată în timpul participanților ședinți 30 cm
departe de laptopul de pe o masă. Experimentul a fost făcut într-o cameră izolată. Toți
participanții au cerut să nu facă orice mișcare a corpului în timpul experimentului.

Există diferite arhitecturi de învățare profundă, cum ar fi deep rețele de convingeri,

rețele neuronale recurente, convoluționale rețele neuronale etc. După cum a explicat pe scurt
Sakshia că Convolution Neural Network (CNN), are o arhitectură avansată și are o capacitate
uimitoare de a generalizați într-un mod mai bun în comparație cu rețelele cu straturile complet
conectate descriu CNN ca conceptul de detectoare ierarhice de caracteristici inspirate biologic
manieră. Poate învăța caracteristici extrem de abstracte și poate identifică obiectele în mod
eficient. CNN reduce complexitatea sisteme și îmbunătățește generalizarea. Din cauza mai puțin
parametrii, CNN poate fi instruit fără probleme și nu rezolvați problema cu suprasolicitarea.
Etapa de clasificare este încorporat cu etapa de extragere a caracteristicilor și ambele utilizări
proces de invatare. În plus, este mult mai dificil implementează rețele de date mari folosind
modele generale de rețea neuronală artificială (ANN) decât implementarea în
CNN. CNN-urile sunt utilizate pe scară largă în diverse domenii datorită performanței lor
remarcabile, cum ar fi imaginea clasificare, detectarea obiectelor, detectarea feței, vorbirea
recunoașterea, recunoașterea vehiculului, retinopatia diabetică, recunoașterea expresiei faciale și
multe altele.

Sursa: Hayriye Donmez and Nalan Ozkurt Department of Electrical and Electronics Engineering Yaşar
University Izmir, Turkey