Εξαγωγή συναισθημάτων από ηλεκτροεγκεφαλογράφημα με χρήση μοντέλων βαθιάς μάθησης
Loading...
Date
2023-03-09
Authors
Καραγιαννίδη, Βασιλική-Μαρία
Journal Title
Journal ISSN
Volume Title
Publisher
Abstract
Το πεδίο της αναγνώρισης συναισθημάτων έχει αναδειχθεί σε σημαντικό ερευνητικό πεδίο τα
τελευταία χρόνια, με σκοπό την ενίσχυση διαφόρων εφαρμογών που σχετίζονται με την αλληλε-
πίδραση ανθρώπων-μηχανών, την ανθρώπινη υγεία, την ψυχαγωγία και τη ρομποτική. Οι ερευνη-
τές, μέσω των υπολογιστικών συστημάτων, ερευνούν και καταγράφουν όλα τα ανθρώπινα δεδομένα
που μπορούν να παρέχουν πληροφορίες για τα συναισθήματα. Αυτά τα δεδομένα, μπορεί να προ-
έρχονται από σήματα που έχουν λάβει από τις φυσιολογικές διεργασίες στο σώμα των ανθρώπων,
δηλαδή, από τον εγκέφαλο, την καρδιά και τη θερμοκρασία του σώματος, ή από καταγραφές των
εξωτερικών χαρακτηριστικών τους, όπως τις εκφράσεις του προσώπου, το body language και την
ομιλία. Από τα δεδομένα αυτά, επιλέξαμε να μελετήσουμε και να αναλύσουμε δεδομένα που προέρ-
χονται από τον ανθρώπινο εγκέφαλο και λαμβάνονται από συσκευές ηλεκτροεγκεφαλογραφημάτων.
Στην βιβλιογραφία, υπάρχει εκτενής ανάλυση των συστημάτων αναγνώρισης συναισθημάτων,
όπου πολλές και διαφορετικές προσεγγίσεις αναλύονται και αξιολογούνται. Μία συγκεκριμένη
προσέγγιση, περιλαμβάνει την χρήση μοντέλων μηχανικής μάθησης, που εντοπίζουν και επεξερ-
γάζονται τα πολύπλοκα χαρακτηριστικά των δεδομένων που δίνουν πληροφορίες για την συναισθη-
ματική κατάσταση των ανθρώπων. Από αυτές τις προσεγγίσεις, επιλέξαμε να επικεντρωθούμε, σε
αυτές που χρησιμοποιούν μοντέλα βαθιάς μάθησης και συγκεκριμένα αξιολογήθηκε η απόδοση
των συνελικτικών νευρωνικών δικτύων, των αναδρομικών νευρωνικών δικτύων μακροπρόθεσμης-
βραχυπρόθεσμης μνήμης και των vision μετασχηματιστών. Στα πλαίσια της έρευνας που διεξάγαμε,
επικεντρωθήκαμε περισσότερο στην μελέτη και ανάπτυξη συστημάτων αναγνώρισης συναισθη-
μάτων που χρησιμοποιούν vision μετασχηματιστές, καθώς αποτελούν πρόσφατα αναπτυγμένη και
πολλά υποσχόμενη κατηγορία μοντέλων, που έχουν ξεπεράσει κάποια από τα παραδοσιακά μοντέλα
μηχανικής μάθησης σε διάφορα πεδία εργασιών.
Η αξιολόγηση των μοντέλων εξαγωγής συναισθημάτων, έγινε σε τρεις διαφορετικούς τύπους
πειραμάτων, τον subject dependent, subject independent και έναν υβριδικό τύπο πειραμάτων. Τα
αποτελέσματα που λάβαμε από αυτά τα τρία διαφορετικά σενάρια, κατέδειξαν ότι τα μοντέλα βαθιάς
μάθησης αποδίδουν με εξαιρετική ακρίβεια και αποτελεσματικότητα στο πρόβλημα της κατηγοριο-
ποίησης των συναισθημάτων των σημάτων EEG. Από τα τρία διαφορετικά μοντέλα που αναφέραμε
στο προηγούμενο σκέλος, τα αποτελέσματα έδειξαν την υπεροχή των vision μετασχηματιστών
έναντι των υπόλοιπων δικτύων.
Description
Keywords
Ηλεκτροεγκεφαλογράφημα, Αναγνώριση συναισθημάτων, Βαθιά μάθηση, Συνελικτικά νευρωνικά δίκτυα, Αναδρομικά νευρωνικά δίκτυα, Δίκτυο vision transformer