Αναγνώριση συναισθημάτων με βάση σήματα EEG
Αναγνώριση συναισθημάτων με βάση σήματα EEG
| datacite.contributor.RelatedPerson | Δερματάς, Ευάγγελος | |
| datacite.contributor.RelatedPerson | Αμπελιώτης, Δημήτριος | |
| datacite.contributor.Supervisor | Μπερμπερίδης, Κωνσταντίνος | |
| dc.contributor.author | Χαραλάμπους, Ιωάννης | |
| dc.contributor.other | Charalampous, Ioannis | |
| dc.date.accessioned | 2023-08-01T11:27:33Z | |
| dc.date.available | 2023-08-01T11:27:33Z | |
| dc.date.issued | 2023-08-01 | |
| dc.degree | graduateThesis | |
| dc.description.abstract | Η αναγνώριση συναισθημάτων με βάση σήματα EEG είναι ένας σημαντικός τομέας της Τεχνητής Νοημοσύνης που μας δίνει την ικανότητα της ακριβής ερμηνείας των συναισθηματικών καταστάσεων ενός ή και περισσότερων ανθρώπων. Με αυτή την ικανότητα ανοίγει μια πληθώρα εφαρμογών όπως η ενίσχυση της αλληλεπίδρασης ανθρώπου-υπολογιστή, η βελτίωση της διάγνωσης της ψυχικής υγείας και η λεπτομερής ρύθμιση της εμπειρίας των πελατών σε επίπεδο μάρκετινγκ. Η συγκεκριμένη διπλωματική εργασία παρουσιάζει μία ολοκληρωμένη μελέτη της αναγνώρισης συναισθημάτων με βάση σήματα EEG. Χρησιμοποιήθηκε η νέα προτεινούμενη μέθοδος που περιλαμβάνει το πολυεπίπεδο τρισδιάστατο συνελικτικό δίκτυο (3DCNN) με μονάδες προσοχής (Attention Modules) και με τμηματοποίηση υψηλής ανάλυσης (High Resolution Segmentation) για την εξαγωγή χωρικών και χρονικών χαρακτηριστικών. Η προσέγγιση αυτή ενισχύει την αναγνώριση των συναισθηματικών καταστάσεων και προσφέρει μία καινοτόμο συνιστώσα τους μηχανισμούς Attention, οι οποίοι ενισχύσουν σημαντικά τη συνεισφορά των σημαντικών καναλιών και μειώνει τη συνεισφορά των λιγότερο σημαντικών καναλιών. Διεξάχθηκαν δύο πειραματικές διαδικασίες subject-dependent και subject-independent και χρησιμοποιήθηκαν διαφορετικές χρονικές τμηματοποιήσεις (segmentations) με τη βέλτιστη να είναι στα 0.125 δευτερόλεπτα. Αξίζει να σημειωθεί η χρησιμότητα της σχολαστικής ανάλυσης της χρονικής δυναμικής των δεδομένων EEG στην αναγνώριση συναισθημάτων καθώς σημειώνονται ακρίβειες ταξινόμησης μέχρι και 99.46%. Τέλος οι μελλοντικές κατευθύνσεις περιλαμβάνουν την περαιτέρω βελτίωση της αρχιτεκτονικής του μοντέλου και την διερεύνηση ευέλικτων ή προσαρμοστικών τεχνικών τμηματοποίησης για περαιτέρω βελτιώσεις στον τομέα της αναγνώρισης συναισθημάτων από σήματα EEG. | |
| dc.description.translatedabstract | Emotion recognition based on EEG signals is an important area of Artificial Intelligence that shows us the ability to accurately interpret the emotional states of one or more people. This capability opens up a plethora of applications such as enhancing humancomputer interaction, improving mental health diagnosis and fine-tuning the customer experience at the marketing level. This thesis presents a comprehensive study of emotion recognition based on EEG signals. The new proposed method including the multilayer 3D convolutional network (3DCNN) with Attention Modules and High Resolution Segmentation was used to extract spatial and temporal features. This approach enhances the recognition of affective states and offers a novel component the Attention mechanisms, which significantly enhance the contribution of important channels and reduce the contribution of less important channels. Two experimental procedures subject-dependent and subject-independent were conducted and different time segmentations on the preprocessing were used with the optimal one being at 0.125 seconds. It is worth noting the usefulness of the meticulous analysis of the temporal dynamics of the EEG data in emotion recognition as classification accuracies of up to 99.46% are noted. Finally, future directions include further improvement of the model architecture and exploration of flexible or adaptive segmentation techniques for further improvements in the field of emotion recognition from EEG signals. | |
| dc.identifier.uri | https://hdl.handle.net/10889/25567 | |
| dc.language.iso | el | |
| dc.rights | Attribution-NoDerivs 3.0 United States | * |
| dc.rights.uri | http://creativecommons.org/licenses/by-nd/3.0/us/ | * |
| dc.subject | Αλληλεπίδραση ανθρώπου-υπολογιστή | |
| dc.subject | Αναγνώριση συναισθημάτων | |
| dc.subject | Διάγνωση ψυχικής υγείας | |
| dc.subject.alternative | Electroencephalography (EEG) | |
| dc.subject.alternative | Emotion recognition | |
| dc.subject.alternative | Human-computer interaction | |
| dc.subject.alternative | Mental health diagnosis | |
| dc.subject.alternative | 3DCNN | |
| dc.subject.alternative | Subject-dependent | |
| dc.subject.alternative | Segmentation | |
| dc.subject.alternative | Attention modules | |
| dc.subject.alternative | Subject-independent | |
| dc.title | Αναγνώριση συναισθημάτων με βάση σήματα EEG | |
| dc.title.alternative | Emotion recognition based on EEG signals |