مدل یادگیری عمیق جدید برای تشخیص عواطف انسانی مبتنی بر سیگنال EEG

پیشرفت های اخیر یادگیری ماشین در طراحی روش‌های تشخیص عواطف انسانی کمک کننده بوده است. برخی از این روش‌ها با تحلیل سیگنال EEG کار می‌کنند. این سیگنال حاصل فعالیت مغز است که از سطح پوست سر ثبت می‌شود.

بسیاری از روش‌های طبقه‌بندی عواطف مبتنی بر EEG که در دهه گذشته معرفی شدند از الگوریتم‌های سنتی یادگیری ماشین مثل مدل SVM استفاده می‌کنند. این روش‌ها نیاز به تعداد نمونه‌های کمتری برای فرایند یادگیری دارند. اخیرا دانشمندان مجموعه داده‌های بسیاری را تهیه کرده‌اند که دارای سیگنال EEG هستند.

ارائه این داده‌ها به ما امکان بیشتری برای بررسی عواطف وابسته به EEG می‌دهد. زیرا این داده‌ها کمک می‌کنند بتوانیم از مدل‌های یادگیری عمیقی که نسبت به روش‌های قدیمی‌ عملکرد بهتری دارند استفاده کنیم. اما، دقت پایین سیگنال‌های EEG این داده‌ها ممکن است تا حدی مدل یادگیری را با دشواری مواجه کند.

Sunhee Hwang یکی از محققان این مطالعه :

مشکل دقت پایین سیگنال همیشه یک مساله مطرح در کلاسبندی احساسات وابسته به EEG است. ما برای حل این مشکل ایده‌ای جدید ارائه دادیم، به این صورت که تصاویر با وضوح بالا EEG ساخته شود.

برای افزایش وضوح، Hwang و همکارانش در ابتدا با حفظ فاصله الکترود مرکزی از سایر الکترودها در زمان ثبت ویژگی‌های توپولوژیکی ساختند. در ادامه، آن‌ها یک شبکه عصبی پیچشی ایجاد کردند و آن را با این داده‌های آپدیت شده آموزش دادند. درواقع شبکه یاد می‌گرفت سه گروه مختلف عواطف را از یکدیگر تشخیص دهد(مثبت، خنثی و منفی).

Hwang :

روش‌های قدیمی اطلاعات توپولوژیک سیگنال EEG را در نظر نمی‌گیرند اما روش ما سیگنال EEG را با آموزش تصاویر دقیق EEG بهبود می‌دهد. روش ما ویژگی‌های EEG را مجددا با استفاده از شبکه عصبی ارائه شده کلاسبندی می‌کند و نهایتا خروجی مطلوب‌تری ایجاد می‌کند.

در آینده روش معرفی شده توسط Hwang و همکارانش می‌تواند باعث ارتقا ابزارهای تشخیص عواطف مبتنی بر EEG شود. زیرا این روش یک راه‌حل مناسب برای غلبه بر دقت پایین سیگنال ارائه می‌دهد. روش مشابهی را می‌توان حتی در مواردی غیر از طبقه‌بندی عواطف برای مدل‌های یادگیری عمیق آنالیز EEG بکار برد.

Hwang :

برای تشخیص بینایی با کامپیوتر، دیتاهای بسیاری وجود دارد که کمک می‌‌کنند موفقیت چشمگیری در یادگیری عمیق طبقه‌بندی تصاویر داشته باشیم که برخی از آن‌ها حتی بهتر از انسان کار می‌کنند. همچنین، پیش پردازش‌های پیچیده هم دیگر لازم نیست. در آینده، امیدواریم بتوانیم یک بانک داده بزرگ EEG با استفاده از شبکه Generative رقابتی تهیه کنیم .

منبع