@article { author = {Parsaei, Fahimeh and Maleki, Ali and Daliri, Mohammad Reza}, title = {An Automated Approach for Quantifying Emotional Conditions based on Electroencephalogram Signals}, journal = {Journal of Isfahan Medical School}, volume = {35}, number = {458}, pages = {1732-1737}, year = {2018}, publisher = {Isfahan University of Medical Sciences}, issn = {1027-7595}, eissn = {1735-854X}, doi = {10.22122/jims.v35i458.8759}, abstract = {Background: Emotion is a psychological process of the mind. It not only has an important role in human interactions, but also has been the subject of attention in human-computer interactions in recent years. Because of diversity and uncertainty nature of the emotion, as well as the individuals’ inability to accurately and quantitatively express their emotions, a quantitative measure for emotion is needed. To describe different emotional states, we used arousal-valence two-dimensional model of emotion.Methods: To propose an approach for emotion recognition based on fuzzy clustering, individuals’ electroencephalogram signals during watching videos along with self-reports about their emotions were achieved from database for emotion analysis using physiological signals (DEAP). Three features of functional connectivity of the brain including correlation, phase locked value, and coherence were investigated and clustered using fuzzy c-means clustering approach. Finally, according to online rating and clustering results for each feature, quantitative and continuous values for valence and arousal were obtained.Findings: We achieved 0.901 ± 0.079 of valence accuracy and 0.860 ± 0.083 of arousal accuracy. Selected functional connections were related to simultaneous activation of visual, auditory, and sensory perception areas of brain cortex.Conclusion: The accuracy of the results was more than previous studies which were done on emotion recognition based on binary method. In addition, the results indicated that emotion estimation based on coherence had better accuracy than the other investigated features. This results for valence were more than previous studies. The results of this study are applicable in improving human-computer interactions as well as in the area of cognitive rehabilitation.}, keywords = {Electroencephalography,Fuzzy Logic,Brain electrical activity mapping}, title_fa = {روشی خودکار برای کمی‌سازی شرایط احساسی فرد به کمک سیگنال الکتروانسفالوگرام}, abstract_fa = {مقدمه: احساس، یک فرایند روان‌شناسی از ذهن است و علاوه بر این که نقش مهمی در تعاملات بین انسان‌ها دارد، در سال‌های اخیر در تعامل بین انسان و کامپیوتر نیز مورد توجه قرار گرفته است. احساس، دارای ماهیتی مبهم و متنوع است. همچنین، افراد قادر به بیان کمی و دقیق احساس خود نیستند. بنابراین، معیاری کمی برای بازشناسی احساس افراد نیاز است. برای بیان حالات مختلف احساس، مدل دو‌ بعدی خوشایندی- انگیختگی در نظر گرفته شده است. این مطالعه، با هدف ارایه‌ی رهیافتی برای بازشناسی کمی و پیوسته از احساس با استفاده از ویژگی‌های ارتباط عملکردی استخراج شده از الکتروانسفالوگرام (Electroencephalogram یا EEG) و مبتنی بر روش خوشه‌بندی Fuzzy c-means و تلفیق فازی انجام گردید.روش‌ها: سیگنال‌های الکتروانسفالوگرام افراد در زمان تماشای فیلم، همراه با گزارش فردی آن‌ها از احساس خود در زمان فوق، از پایگاه داده‌ی Database for emotion analysis using physiological signals (DEAP) دریافت شد. سه ویژگی ارتباطات عملکردی سیگنال‌های مغزی شامل همبستگی، مقدار قفل فاز و همدوسی از این سیگنال‌ها استخراج شده‌اند. ویژگی‌ها توسط خوشه‌بندی Fuzzy c-means خوشه‌بندی گردید. در نهایت، با توجه به نمره‌دهی کاربران بر خط و نتایج خوشه‌بندی برای هر ویژگی، مقادیر کمی و پیوسته برای خوشایندی و انگیختگی احساس فرد به دست آمد.یافته‌ها: صحت 0/079 ± 0/901 برای خوشایندی و 0/083 ± 0/860 برای انگیختگی به دست آمد. ارتباط‌های عملکردی انتخاب شده، مربوط به فعالیت هم‌زمان نواحی بینایی، شنوایی و درک احساس در قشر مغز می‌باشد.نتیجه‌گیری: صحت نتایج نسبت به مطالعات گذشته که به صورت گسسته، بازشناسی احساس را انجام داده‌اند، به طور قابل ملاحظه‌ای بیشتر است. همچنین، تخمین احساس بر اساس مقدار همدوسی نسبت به دیگر ویژگی‌های بررسی شده، نتیجه‌ی بهتری را ارایه کرده است. نتایج این مطالعه در بهبود تعاملات بین انسان و کامپیوتر و همچنین، در زمینه‌ی بازتوانی شناختی کاربرد دارد.}, keywords_fa = {الکتروانسفالوگرام,Fuzzy Logic,نقشه‌ی الکتریکی عملکرد مغز}, url = {https://jims.mui.ac.ir/article_15439.html}, eprint = {https://jims.mui.ac.ir/article_15439_b38b30748588fd9b1eb34c36dbbc2f5a.pdf} }