تشخیص احساس از روی سیگنال های EEG به کمک الگوریتم یادگیری ماشین کوانتومی سلسله مراتبی

نوع مقاله : مقاله پژوهشی

نویسندگان

1 گروه مهندسی برق، واحد مشهد، دانشگاه آزاد اسلامی، مشهد، ایران.

2 گروه مهندسی کامپیوتر، واحد مشهد، دانشگاه آزاد اسلامی، مشهد، ایران

10.22034/jasp.2023.55923.1223

چکیده

در سال‌های اخیر استفاده از الگوریتم‌های یادگیری ماشین کوانتومی (QML) برای تشخیص حالت‌های مختلف مغزی از طریق سیگنال‌های EEG موردتوجه قرارگرفته‌ است. تشخیص احساس با استفاده از سیگنال‌های EEG نقش کلیدی در تعامل انسان و رایانه و محاسبات احساسی ایفا می کند. این پژوهش از مجموعة داده DEAP متشکل از 32 کانال سیگنال‌ EEG اخذشده از 32 شرکت‌کننده در هنگام تماشای 40 فیلم یک‌دقیقه‌ای استفاده می کند. مدل پیشنهادی مبتنی بر QML سلسله مراتبی شامل بخش های پیش‌پردازش سیگنال EEG به کمک لاپلاسین سطحی، آماده سازی سیگنال EEG به‌عنوان یک حالت کوانتومی، استخراج ویژگی به کمک تبدیل بستة موجک کوانتومی (QWPT) و آنتروپی انرژی بستة موجک (WPEE) و طبقه‌بند شبکة عصبی کوانتومی (QNN) سه لایه است. نتایج نشان می‌دهد مدل پیشنهادی می تواند دو دسته از احساس ظرفیت و برانگیختگی را به ترتیب با درصد صحّت 71/94 و 62/97 تفکیک نماید. نتایج نشان از موفقیت قابل‌توجه مدل پیشنهادی در تشخیص احساسات مختلف دارد.

کلیدواژه‌ها

موضوعات

عنوان مقاله [English]

Recognition of Emotion from EEG Signals Using Hierarchical Quantum Machine Learning Algorithm

نویسندگان [English]

  • Seyyed Abed Hosseini 1
  • Mahboobeh Houshmand 2
1 Department of Electrical Engineering, Mashhad Branch, Islamic Azad University, Mashhad, Iran.
2 Department of Computer Engineering, Mashhad Branch, Islamic Azad University, Mashhad, Iran
چکیده [English]

In recent years, quantum machine learning (QML) algorithms have been considered to detect different brain states through EEG signals. Emotion recognition using EEG signals plays a key role in human-computer interaction and emotional computing. This study uses the DEAP (A Database for Emotion Analysis Using Physiological Signals) dataset consisting of 32 channels of EEG signals obtained from 32 participants while watching 40 one-minute music videos. The proposed model based on hierarchical QML includes phases of EEG signal pre-processing using surface Laplacian, preparation of EEG signal as a quantum state, feature extraction using quantum wavelet packet transform (QWPT) and wavelet packet energy entropy (WPEE) and three layers quantum neural network (QNN) classifier. The results show that the proposed model can distinguish two categories of emotional states of valence and arousal states with 94.71 and 97.62 accuracy percentages, respectively. The results show the significant success of the proposed model in detecting different emotional states.

کلیدواژه‌ها [English]

  • Emotion Recognition
  • Feature Extraction
  • Brain Signals
  • Classification
  • and Quantum Machine Learning
پردازش سیگنال پیشرفته

مقالات آماده انتشار، پذیرفته شده
انتشار آنلاین از تاریخ 21 تیر 1402

فایل ها

هم رسانی

ارجاع به این مقاله

آمار