تشخیص احساسات با استفاده از سیگنال الکتروانسفالوگرافی با دقت خوبی امکان‌پذیر است.

تشخیص حالات عاطفی سیستم‌های تعامل انسان و کامپیوتر را بهبود می‌بخشد تا در عمل موثرتر باشد. ارتباط بین سیگنال‌های الکتروانسفالوگرافی و احساسات در تحقیقات مختلف نشان داده شده است. هدف از این مطالعه، تشخیص احساسات با استفاده از سیگنال‌های مغزی بر روی دستگاه‌های نهفته بود. در این مطالعه از سه مدل شبکه عصبی کانولوشنال (CNN) ‌EEGNet، ShallowConvNet و DeepConvNet که برای پردازش سیگنال‌های الکتروانسفالوگراف مناسب هستند، برای تشخیص احساسات استفاده شد. ما از پیش پردازش حذف پایه برای بهبود دقت طبقه‌بندی استفاده می کنیم. هر شبکه به دو روش ارزیابی می‌شود: وابسته به موضوع و مستقل از موضوع. ما مدل انتخابی CNN، ShallowConvNet را با استفاده از بلوک Squeeze-and-Excitation (SE) برای تمرکز روی بخش مهم سیگنال‌ها بهبود دادیم. در مرحله بعد، مدل پیشنهادی، SE-ShallowConvNet، بهینه شده است تا سبک وزن و قابل اجرا بر روی یک پردازنده رزبری پای باشد. نتایج تحقیق نشان داد، با استفاده از روش‌های یادگیری ماشین و یادگیری عمیق می‌توان دقت رابط‌های مغز-کامپیوتر را در تشخیص احساسات افراد تا حد زیادی بالا برد.

کلیدواژه ها: یادگیری عیق | تشخیص احساسات | سیگنال الکتریکی مغز | سیستم تعبیه شده | شبکه عصبی |

گروه های مخاطب: رسانه ها و مردم | متخصصان و پژوهشگران

مشخصات طرح مرتبط:

عنوان پروژه: تشخیص احساسات با استفاده از سیگنالهای مغزی بر روی دستگاههای نهفته

مجری اصلی: زهرا بهارلویی   |   همکاران: محمدرضا یزدچی، مهدی بازرگانی، امیر طهماسبی   |   تاریخ اتمام طرح: 1402/9/5   |   کد طرح: ۲۴۰۰۲۰۷

English article: An Emotion Recognition Embedded System using a Lightweight Deep Learning Model