Αναγνώριση συναισθημάτων από σήματα EEG
Loading...
Date
2024-01-31
Authors
Λιόνας, Παναγιώτης
Journal Title
Journal ISSN
Volume Title
Publisher
Abstract
Η αναγνώριση συναισθημάτων με βάση σήματα EEG είναι ένας σημαντικός τομέας της ΒιοΪατρικής που μας παρέχει την ικανότητα της ακριβής ερμηνείας των συναισθηματικών καταστάσεων των ανθρώπων. Με αυτή την ικανότητα ανοίγει μια πληθώρα εφαρμογών όπως η ενίσχυση της αλληλεπίδρασης ανθρώπου-υπολογιστή και η ορθότερη διάγνωση της ψυχικής υγείας. Η συγκεκριμένη διπλωματική εργασία παρουσιάζει μία ολοκληρωμένη μελέτη της αναγνώρισης συναισθημάτων με βάση σήματα EEG. Χρησιμοποιήθηκαν μέθοδοι απλών ταξινομητών μηχανικής μάθησης, αλλά και πιο σύνθετα δίκτυα που κάνουν χρήση συνελικτικών νευρωνικών δικτύων για κατηγοριοποίηση εικόνων καθώς και συνελικτικά νευρωνικά δίκτυα γράφων. Στην περίπτωση των απλών ταξινομητών μηχανικής μάθησης χρησιμοποιήθηκαν ως χαρακτηριστικά τόσο συμβατικά χαρακτηριστικά σημάτων EEG όσο και χαρακτηριστικά που προέκυψαν μετά από εκπαίδευση νευρωνικών δικτύων CNN και CNN-LSTM. Η προσέγγιση αυτή ενισχύει την αναγνώριση των συναισθηματικών καταστάσεων και προσφέρει μία πληρέστερη κατανόηση των εγκεφαλικών σημάτων. Εκτός των ταξινομητών αυτών, υλοποιήθηκαν και δίκτυα που κάνουν χρήση γράφων και εικόνων με στόχο τόσο την ταχύτερη διαδικασία αναγνώρισης όσο και την επίτευξη υψηλότερης ακρίβειας διότι λαμβάνουν υπόψη και τις χωρικές σχέσεις των ηλεκτροδίων. Τα πειράματα πραγματοποιήθηκαν συνολικά για 3 διαφορετικά σύνολα δεδομένων. Για τα 2 σύνολα δεδομένων δεν υπήρξε τμηματοποίηση των αρχικών σημάτων και ακολουθήθηκε κατηγοριοποίηση ανεξάρτητη από το υποκείμενο (subject independent), ενώ για το τρίτο σύνολο δεδομένων υπήρξε τμηματοποίηση των αρχικών σημάτων σε μικρότερα και πραγματοποιήθηκαν κατηγοριοποιήσεις τόσο ανεξάρτητες από το υποκείμενο όσο και εξαρτημένες από το υποκείμενο (subject dependent). Από την πειραματική διαδικασία προέκυψε σημαντική αύξηση της ακρίβειας των συμβατικών ταξινομητών μηχανικής μάθησης με τη χρήση των χαρακτηριστικών που εξήχθησαν από το νευρωνικό δίκτυο CNN-LSTM, από 80,1% σε 89.5% . Επιπλέον, τα αποτελέσματα που προέκυψαν από τα μοντέλα που κάνουν χρήση των χωρικών σχέσεων των ηλεκτροδίων ενίσχυσαν ακόμα περισσότερο την ακρίβεια φτάνοντας μέχρι και το 95.7%. Τέλος οι μελλοντικές κατευθύνσεις περιλαμβάνουν την περαιτέρω βελτίωση της αρχιτεκτονικής των μοντέλων που χρησιμοποιήθηκαν καθώς και την διερεύνηση αποδοτικότερων χαρακτηριστικών των σημάτων για την καλύτερη αναγνώριση συναισθημάτων από σήματα EEG.
Description
Keywords
Ηλεκτροεγκεφαλογραφήματα, Αναγνώριση συναισθημάτων, Αλληλεπίδραση ανθρώπου-υπολογιστή, CNN - LSTM δίκτυα, Συνελικτικά νευρωνικά δίκτυο γράφου, Αναγνώριση εικόνων