|
Title
|
ارائه ی روشی برای تحلیل احساسات با استفاده از سیگنال های مغزی با رویکرد انتخاب ویژگی و الگوریتم های یادگیری ماشین
|
|
Type of Research
|
Thesis
|
|
Keywords
|
تحلیل احساسات، سیگنال های مغزی، EEG، پیش بینی، انتخاب ویژگی، یادگیری ماشین
|
|
Abstract
|
تشخیص احساس از طریق سیگنال های EEG امکان ارزیابی مستقیم وضعیت درونی کاربر را فراهم می کند، که عامل مهمی در تعامل انسان و دستگاه های خارجی به شمار می آید. تلاش های فعلی در تعامل انسان و ماشین (BCI) یافتن راه هایی برای تعامل بهتر و مناسب تر رایانه با انسان است، چرا که احساسات برای تفسیر صحیح اعمال و همچنین ارتباطات مهم هستند. تحولات و مطالعات اخیر در زمینه ی فناوری های رابط مغز و رایانه (BCI)، تشخیص و طبقه بندی احساسات را تسهیل کرده است. بسیاری از مطالعات BCI به دنبال بررسی و شناسایی حالات عاطفی شرکت کنندگان بوده اند. حوزه های کاربردی برای این مطالعات متنوع است و شامل زمینه هایی مانند ارتباطات، آموزش، سرگرمی و پزشکی است. درحال حاضر کاربردهای مختلفی برای تشخیص احساسات مانند مدیریت استرس، مدیریت خشم و تشخیص اختلالات هوشیاری وجود دارد. به طور مشابه سیستم هایی برای تشخیص وضعیت راننده وجود دارد که می تواند وضعیت او را در سه حالت عصبانیت، خواب آلودگی، آرامش تشخیص دهد. با افزایش نیازمندی به گوشی های همراه و برنامه های کاربردی آنلاین، نیاز به حضور BCI در زندگی روزمره به یک اصل اساسی تبدیل شده است. اگرچه سیستم های سنتی BCI پیشرفت فوق العاده ای داشته اند تحقیقات در این زمینه به دلیل ماهیت سیگنال ها و غیرخطی بودن آن ها هنوز با چالش های قابل توجهی روبه رو است. بسیاری از مطالعات در زمینه ی شناسایی احساسات توسط سیگنال های مغزی وجود دارد اما تعداد کمی از آن ها می توانند احساسات را در زمان پردازش کمتری طبقه کنند. انتخاب ویژگی تکنیکی است که ویژگی های نامربوط یا تکراری را از مجموعه داده ی اصلی حذف می کندو یک زیرمجوعه ی کوچک را انتخاب می کند، بنابراین بعد داده را کاهش می دهد و سرعت اجرای الگوریتم را بهبود می بخشد. ارائه ی روشی که بتواند مستقل از فرد در زمان کم و با دقت بالایی احساسات فرد را با استفاده از ویژگی های استخراج شده حین استفاده از سیستم ارزیابی کند حائز اهمیت است.
|
|
Researchers
|
(Student)، Nacer Farajzadeh (Primary Advisor)، Mahdi Hashemzadeh (Advisor)
|