متن کامل خبر


 
جلسه دفاع از پایان‏ نامه: عهدیه احمدی، گروه مهندسی پزشکی

خلاصه خبر: آشکارسازی احساسات(مثبت، منفی، خنثی) با استفاده از سیگنال های EEG قابل پیاده سازی در سیستم های پوشیدنی

  • عنوان: آشکارسازی احساسات(مثبت، منفی، خنثی) با استفاده از سیگنال های EEG قابل پیاده سازی در سیستم های پوشیدنی
  • ارائه‌کننده: عهدیه احمدی
  • استاد راهنما: دکتر سید محمد فیروزآبادی
  • استاد ناظر داخلی اول: دکتر مهدی عروجی
  • استاد ناظر خارجی اول: دکتر سید کمال الدین ستاره دان دانشگاه: تهران
  • مکان: سالن شورا دانشکده برق و کامپیوتر شماره 710
  • تاریخ: 96/04/20
  • ساعت: 8

چکیدهدر این تحقیق، آشکارسازی احساسات با استفاده از سیگنال¬های EEGرا انجام دادیم و از روش طبقه¬بندی مبتنی بر PLS برای طبقه¬بندی استفاده کردیم. برای بررسی پیوسته و طولانی مدت افراد مبتلا به بیماری¬های روحی و روانی در شرایط واقعی زندگی، استفاده از سیستم¬های پوشیدنی شناسایی احساس حائز اهمیت است. با توجه به این¬که در این سیستم¬ها، باید طبقه بندهایی مورد استفاده قرار بگیرند که ضمن حفظ حداقل صحت، نیازمند زمان پردازش و حجم حافظه کمتری باشند، با مطالعه عملکرد طبقه¬بند¬های مختلف در مقالات قبلی و با در نظر گرفتن این سه معیار، عملکرد طبقه¬بندی مبتنی بر PLS را برای اهداف این تحقیق مورد بررسی قرار دادیم. در انجام این پژوهش از داده¬های ثبت شده توسط ناجی[1] استفاده کردیم. در این داده¬ها 25 نفر (10 مرد و 15 زن) شرکت کردند و در حالی که موسیقی¬های از قبل پرچسب خورده برای آن¬ها پخش می شد و احساسات مختلف (شادی¬بخش، آرامش¬بخش، آزاردهنده و کسل¬کننده) را در آن¬ها القا می¬کرد، سیگنال¬های مغزی آن¬ها ثبت شد. احساسات شادی¬بخش و آرامش¬بخش را به عنوان حالت مثبت، احساسات آزاردهنده و کسل¬کننده را به عنوان حالت منفی و ثبت انجام شده در حالت استراحت را به عنوان حالت خنثی در نظر گرفتیم. پس از پیش¬پردازش و استخراج ویژگی¬های مختلف، با استفاده از روش دیویس-بولدین زیردسته بهینه ویژگی¬ها استخراج شد. ویژگی¬های استخراج شده، با استفاده از طبقه¬بندی مبتنی بر PLS، به عنوان طبقه¬بندی که قرار است عملکرد آن در سیستم¬های پوشیدنی بررسی شود، و طبقه¬بندهای SVM و KNN برای مقایسه، طبقه¬بندی شدند. صحت، زمان اجرا و حجم حافظه برای طبقه بند مبتنی بر PLS به ترتیب برابر 82.34 درصد، 0.0011 ثانیه و 30202 بایت، برای طبقه بند KNN به ترتیب 79 درصد، 0.09 ثانیه و 907720 بایت و برای طبقه بند SVM به ترتیب، 76.67 درصد، 0.05 ثانیه و 320400 بایت بدست آمد، که نشان¬دهنده عملکرد بهتر طبقه¬بند PLS برای سیستم¬های پوشیدنی است.

18 تیر 1396 / تعداد نمایش : 309