آرزو قنبری - دانشجوی کارشناسی ارشد، گروه مهندسی کامپیوتر، موسسه غیرانتفاعی زاگرس، کرمانشاه، ایران
نگار اسماعیلی - استادیار گروه مهندسی کامپیوتر، ، موسسه غیرانتفاعی زاگرس، کرمانشاه، ایران

در این تحقیق رو شی مبتنی بر هوش مصنوعی و پردازش سیگنال جهت تشخیص و طبقه بندی احساسات از روی سیگنالهای EEG ارائه شد. داده های مورد استفاده از پایگاه داده تهیه شد. سیگنالهای EEG مربوط به چهار حالت خندیدن، آرام بودن، کسل بودن و ترسیده بود. مجموعه مورد ا ستفاده برای ثبت سیگنال EEG متشکل از ۱۴ الکترود مغزی بود. در ابتدا هر سیگنال مغزی توسط یک فیلتر Band-Stop و یک فیلتر میانه نویز زدایی شد. سپس توسط تبدیل موجک پیوسته پردازش شدند و در نهایت از هر سیگنال پردازش شده توسط تبدیل موجک ، اسکالوگرام آن استخراج شد. از اسکالوگرام به عنوان ورودی مدل یادگیری عمیق استفاده شد. چهارده مدل شبکه عصبی یادگیری عمیق جهت طبقه بندی نوع احساسات اجرا شد. نتایج نشان داد که بیشترین دقت در طبقه بندی نوع سیگنال مغزی مربوط به مدل پیاده سازی شده به ازای سیگنال های مغزی الکترودهای AF۳، FC۵ و T۸ بودند. دقت شبکه عصبی یادگیری عمیق برای داده های آموزش و آزمون به ترتیب برای خروجی AF۳ برابر با ۷۵/۹۸% و ۱۲/۷۸، برای خروجی FC۵ برابر با ۷۵,۹۳% و ۵۰/۸۷% و برای خروجی T۸ برابر با ۷۵/۹۳% و ۳۷/۸۴% به دست آمد.

شبکه یادگیری عمیق ، سیگنال EEG، تبدیل موجک پیوسته ، تشخیص احساسات