مجله دانشکده پزشکی اصفهان

مجله دانشکده پزشکی اصفهان

تشخیص احساسات با استفاده از ویژگی‌های چندفراکتالی سیگنال الکتروانسفالوگرام و روش‌های یادگیری ماشین

نوع مقاله : Original Article(s)

نویسندگان
زهرا خسروی
مهنوش تاجمیرریاحی
گروه مهندسی پزشکی بیوالکتریک، دانشکده‌ی فناوری‌های نوین علوم پزشکی، دانشگاه علوم پزشکی اصفهان، اصفهان،ایران
10.48305/jims.v44.i862.0723
چکیده
مقدمه: تشخیص احساسات مبتنی بر سیگنال‌های الکتروانسفالوگرام (Electroencephalogram) EEG، در کاربردهای گسترده‌ای همچون واسط‌های مغز- رایانه، و سیستم‌های تعاملی هوشمند نقش دارد. پژوهش حاضر، تأثیر ویژگی‌های چندفراکتالی سیگنال EEG را در تشخیص دقیق و خودکار ابعاد احساسی در مدل‌های مبتنی بر هوش مصنوعی بررسی می‌کند.
روش‌ها: در این مطالعه داده‌های EEG از مجموعه دادگان برچسب گذاری‌شده DREAMER شامل ۱۴ کانال ثبت‌شده از ۲۳ شرکت‌کننده سالم استخراج شد. پس از اعمال مراحل پیش‌پردازش و تفکیک به باندهای فرکانسی آلفا، بتا، و گاما، ویژگی‌های چندفراکتالی سیگنال EEG با روش آنالیز نوسانات بدون برازش چندفراکتالی (MFDFA) محاسبه شدند. طبقه‌بندی در ابعاد احساسی برانگیختگی، ظرفیت و تسلط با بهره‌گیری از الگوریتم‌ ماشین بردار پشتیبان (SVM) انجام گرفت.
یافته‌ها: ویژگی‌های استخراج شده از آنالیزچندفراکتالی باند آلفا بیشترین توان تمایزبخشی میان حالات احساسی را نسبت به سایر باندها داشتند. این ویژگی‌ها ضمن ساده‌سازی فرآیند محاسباتی، دقت تشخیص احساسات در هر بعد احساسی برانگیختگی، ظرفیت، و تسلط را به ترتیب به بیش از 96، 97 و 93 درصد رساندند.
نتیجه‌گیری: ویژگی‌های چندفراکتالی، به‌ویژه در باند آلفا، در استخراج اطلاعات احساسی از سیگنال EEG بسیار مؤثرند. روش استخراج ویژگی از سیگنال EEG پیشنهاد شده در این مطالعه می‌تواند با دقت بالا ابعاد احساسی مختلف را تفکیک نماید و برای توسعه سیستم‌های هوشمند تعاملی عصبی به کار گرفته شود.
کلیدواژه‌ها
احساسات
الکتروانسفالوگرافی
فراکتال‌ها
پردازش سیگنال
یادگیری ماشین
موضوعات

عنوان مقاله English

Emotion Recognition Using Multifractal Features of Electroencephalogram Signals and Machine Learning Methods

نویسندگان English

Zahra Khosravi
Mahnoosh Tajmirriahi
Bioelectrical Engineering and Bioelectric Department, School of Advanced Technologies in Medical Sciences, Isfahan University of Medical Sciences, Isfahan, Iran
چکیده English

Background: Emotion recognition based on electroencephalogram (EEG) signals plays a significant role in a wide range of applications, such as brain-computer interfaces and intelligent interactive systems. The present study investigates the impact of multifractal features derived from EEG signals on the accurate and automatic detection of emotional dimensions using artificial intelligence-based models.
Methods: EEG data were obtained from the labeled DREAMER dataset, consisting of 14 channels recorded from 23 healthy participants. Following preprocessing steps and decomposition into alpha, beta, and gamma frequency bands, multifractal features of the EEG signals were extracted using the Multifractal Detrended Fluctuation Analysis (MFDFA) method. Classification of the emotional dimensions—arousal, valence, and dominance—was performed using the Support Vector Machine (SVM) algorithm.
Findings: Multifractal features extracted from the alpha band exhibited the highest discriminative power among emotional states compared to other frequency bands. These features not only simplified the computational process but also enhanced emotion recognition precision in the arousal, valence, and dominance dimensions to above 96%, 97%, and 93%, respectively.
Conclusion: Multifractal features—particularly in the alpha band—are highly effective in extracting emotional information from EEG signals. The proposed EEG-based feature extraction method can accurately distinguish between different emotional dimensions and holds potential for the development of intelligent neuro-interactive systems.

کلیدواژه‌ها English

Emotions
Electroencephalography
Fractals
Signal Processing
Machine Learning
1.     Zhang J, Yin Z, Chen P, Nichele S. Emotion recognition using multi-modal data and machine learning techniques: A tutorial and review. Information Fusion 2020; 59(1): 103-26.
2.     Zhang Z, Wang X, Li P, Chen X, Shao L. Research on emotion recognition based on ECG signal. Journal of Physics Conference Series 2020; 1678(1): 012091.
3.     Zheng W-L, Dong B-N, Lu B-L. Multimodal emotion recognition using EEG and eye tracking data. 2014 36th annual international conference of the IEEE engineering in medicine and biology society; Chicago, IL, USA; 2014.
4.     He Z, Li Z, Yang F, Wang L, Li J, Zhou C, et al. Advances in multimodal emotion recognition based on brain–computer interfaces. Brain Sci 2020; 10(10): 687.
5.     Yan Y, Wu X, Li C, He Y, Zhang Z, Li H, et al. Topological EEG nonlinear dynamics analysis for emotion recognition. IEEE Transactions on Cognitive and Developmental Systems 2022; 15(2): 625-38.
6.     Doma V, Pirouz M. A comparative analysis of machine learning methods for emotion recognition using EEG and peripheral physiological signals. J Big Data 2020; 7(1): 18.
7.     Gaurav G, Anand RS, Kumar V. EEG based cognitive task classification using multifractal detrended fluctuation analysis. Cogn Neurodyn 2021; 15(6): 999-1013.
8.     Gao Z, Cui X, Wan W, Zheng W, Gu Z. Long-range correlation analysis of high frequency prefrontal electroencephalogram oscillations for dynamic emotion recognition. Biomedical Signal Processing and Control 2022; 72: 103291.
9.     Khare SK, Blanes-Vidal V, Nadimi ES, Acharya UR. Emotion recognition and artificial intelligence: A systematic review (2014–2023) and research recommendations. Information fusion. 2024; 102: 102019.
10.  Bagherzadeh S, Shalbaf A, Shoeibi A, Jafari M, Tan R-S, Acharya UR. Developing an EEG-based emotion recognition using ensemble deep learning methods and fusion of brain effective connectivity maps. IEEe Access 2024; 12: 50949-65.
11.  Subasi A, Tuncer T, Dogan S, Tanko D, Sakoglu U. EEG-based emotion recognition using tunable Q wavelet transform and rotation forest ensemble classifier. Biomedical Signal Processing and Control 2021; 68: 102648.
12.  Katsigiannis S, Ramzan N. DREAMER: A database for emotion recognition through EEG and ECG signals from wireless low-cost off-the-shelf devices. IEEE Journal of Biomedical and Health Informatics 2017; 22(1): 98-107.
13.  Sen D, Mishra BB, Pattnaik PK, editors. A review of the filtering techniques used in EEG signal processing. Proceedings of the 7th International Conference on Trends in Electronics and Informatics (ICOEI); 2023: IEEE.
14.  Oppenheim AV. Discrete-time signal processing. Pearson Education India; 1999.
15.  Hu L, Xiao P, Zhang Z, Mouraux A, Iannetti GD. Single-trial time–frequency analysis of electrocortical signals: Baseline correction and beyond. Neuroimage 2014; 84: 876-87.
16.  Bacry E, Delour J, Muzy J-F. Multifractal random walk. Physical review E. 2001; 64(2): 026103.
17.  Márton L, Brassai ST, Bakó L, Losonczi L. Detrended fluctuation analysis of EEG signals. Procedia Technology 2014; 12: 125-32.
18.  Ihlen EA. Introduction to multifractal detrended fluctuation analysis in Matlab. Front Physiol 2012; 3: 141.
19.  Han J, Pei J, Tong H. Data mining: concepts and techniques. New York, NY: Morgan kaufmann; Elsevier Inc; 2022.
20.  Theodoridis S, Koutroumbas K. Pattern recognition. New York, NY: Elsevier; 2006.
21.  Wang F, Wang H, Zhou X, Fu R. A driving fatigue feature detection method based on multifractal theory. IEEE Sensors Journal 2022; 22(19): 19046-59.
22.  Li W, Fang C, Zhu Z, Chen C, Song A. Fractal spiking neural network scheme for EEG-based emotion recognition. IEEE J Transl Eng Health Med 2023; 12: 106-18.
23.  Paul S, Mazumder A, Ghosh P, Tibarewala D, Vimalarani G. EEG based emotion recognition system using MFDFA as feature extractor. Proceedings of the International Conference on Robotics, Automation, Control and Embedded Systems (RACE); 2015: IEEE.
24.  Avramidis K, Zlatintsi A, Garoufis C, Maragos P. Multiscale fractal analysis on EEG signals for music-induced emotion recognition. Proceedings of the 29th European Signal Processing Conference (EUSIPCO); 2021: IEEE.
 
مجله دانشکده پزشکی اصفهان
دوره 44، شماره 862
هفته 2، تیر
خرداد و تیر 1405
صفحه 723-730

  • تاریخ دریافت 30 تیر 1404
  • تاریخ پذیرش 06 تیر 1405