Görsel-işitsel uyaranlar kaynaklı oluşan duyguların EEG işaretleri ile sınıflandırılması
Yükleniyor...
Tarih
2016
Yazarlar
Dergi Başlığı
Dergi ISSN
Cilt Başlığı
Yayıncı
Erişim Hakkı
info:eu-repo/semantics/embargoedAccess
Özet
Duygular, insanların birbirleriyle haberleşmesinde oldukça önemli rol oynarlar. Duyguların insanların kelimelerine, ses tonlarına, yüz ifadelerine veya beden diline yansıdığı görülebilmektedir. Ancak, Beyin Bilgisayar Arayüzü (BBA) sistemleri, insanların içinde bulundukları duygu durumlarını yorumlamada henüz istenen seviyeye ulaşmamıştır. BBA sistemlerince duyguların robotik ortamda anlaşılabilinmesi için insanlardan alınabilen ve yine bu sistemlerce işlenebilen kaynaklara ihtiyaç vardır. Elektroensefalogram (EEG) işaretleri, bu amacı gerçekleştirebilmek için önemli kaynaklardan biridir. Bu çalışmada, görsel-işitsel uyaranlar kaynaklı oluşan farklı duygu durumlarına ilişkin EEG işaretlerinin sınıflandırılması amaçlanmıştır. Katılımcıların duygu durumlarını belirlemek için SAM (Self Assessment Manikins) görselleri kullanılmıştır. Katılımcılar, sunulan görsel-işitsel uyaranları değerlik, baskınlık, aktivasyon ve beğenme açısından değerlendirmişlerdir. Bu değerlendirmelere göre katılımcıların pozitif ve negatif duygu durumlarına ilişkin EEG işaretleri sınıflandırılmıştır. EEG işaretlerinden ayrık dalgacık dönüşümü (ADD) kullanılarak öznitelik çıkarımı yapılmıştır. ADD kullanılarak elde edilen öznitelik vektörler boyutlarının azaltılması için istatistiksel işlemler uygulanmıştır. Sınıflandırıcı olarak ise yapay sinir ağları ve k-en yakın komşu algoritmaları uygulanmış ve her iki algoritma için elde edilen sınıflandırma başarıları karşılaştırılmıştır. Anahtar Kelimeler: EEG, Sınıflandırma, Duygu, Dalgacık Dönüşümü, Yapay Sinir Ağları, K- En Yakın Komşu
Emotions play an important role in communication between humans. Emotions can be reflected through words, voice intonation, facial expression and body language. In contrast, Brain Computer Interface (BCI) systems have not reached the desired level to interpret the people's emotions. BCI systems need new resources that can be taken from humans and processed by these systems to understand emotions. Electroencephalogram (EEG) signals is one of the most important resources to achieve this target. The aim of this study was to classify EEG signals related to different emotions based on audio-visual stimulus. SAM (Self Assessment Manikins) was used to determine participants' emotional states. Participants rated each audio-visual stimulus in terms of the level of valence, arousal, like/dislike and dominance. EEG signals that related to positive and negative emotion states have been classified according to participants' ratings. Discrete wavelet transform (DWT) was used for feature extraction from EEG signals. Wavelet coefficients of EEG signals were assumed as feature vector and statistical features were used to reduce dimension of feature vector. In this study, different clusters consisting of EEG signals related to positive and negative emotions groups have been classified by artificial neural network and k-nearest neighborhood algorithm. The classification algorithms' performances have been compared. Keywords: EEG, Classification, Emotions, Wavelet Transform, Artificial Neural Networks, K- Nearest Neighborhood
Emotions play an important role in communication between humans. Emotions can be reflected through words, voice intonation, facial expression and body language. In contrast, Brain Computer Interface (BCI) systems have not reached the desired level to interpret the people's emotions. BCI systems need new resources that can be taken from humans and processed by these systems to understand emotions. Electroencephalogram (EEG) signals is one of the most important resources to achieve this target. The aim of this study was to classify EEG signals related to different emotions based on audio-visual stimulus. SAM (Self Assessment Manikins) was used to determine participants' emotional states. Participants rated each audio-visual stimulus in terms of the level of valence, arousal, like/dislike and dominance. EEG signals that related to positive and negative emotion states have been classified according to participants' ratings. Discrete wavelet transform (DWT) was used for feature extraction from EEG signals. Wavelet coefficients of EEG signals were assumed as feature vector and statistical features were used to reduce dimension of feature vector. In this study, different clusters consisting of EEG signals related to positive and negative emotions groups have been classified by artificial neural network and k-nearest neighborhood algorithm. The classification algorithms' performances have been compared. Keywords: EEG, Classification, Emotions, Wavelet Transform, Artificial Neural Networks, K- Nearest Neighborhood
Açıklama
Anahtar Kelimeler
Elektroensefalogram (EEG), Sınıflandırma, Duygu, Dalgacık dönüşümü, Yapay sinir ağları, K- En yakın komşu, Classification, Emotions, Wavelet transforms, Artificial neural networks, K- Nearest neighborhood
