PL EN


Preferencje help
Widoczny [Schowaj] Abstrakt
Liczba wyników
2017 | 86 | 40--52
Tytuł artykułu

Emotion Recognition Based on EEG Signals During Watching Video Clips

Treść / Zawartość
Warianty tytułu
Rozpoznawanie emocji w oparciu o sygnały EEG podczas oglądania wideoklipów
Języki publikacji
EN
Abstrakty
EN
Brain signal analysis for human emotion recognition plays important role in psychology, management and human machine interface design. Electroencephalogram (EEG) is the reflection of brain activity - by studying and analysing these signals we are able to perceive emotional state changes. In order to do so, it is necessary to select the appropriate EEG channels that are placed mostly on the frontal part of the head. In this paper we used video stimuli to induce happy and sad mood of 20 participants. To classify the emotions experienced by the volunteers we used five different classification methods to obtain optimal result taking into account all features that were extracted from signals. We observed that the Support Vector Machine (SVM) and Linear Discriminant Analysis (LDA) obtained the highest accuracy of emotion recognition.(original abstract)
Analiza sygnałów mózgowych w celu rozpoznawania emocji odgrywa znaczącą rolą w psychologii, zarządzaniu oraz projektowaniu interfejsów człowiek-maszyna. Elektroencefalogram jest odzwierciedleniem aktywności mózgu - badając i analizując te sygnały można dostrzec zmiany stanu emocjonalnego. Aby uzyskać taki efekt, konieczne jest wybranie odpowiednich kanałów EEG. Są one położone przede wszystkim w części czołowej czaszki. W prezentowanym artykule przeprowadzono badania, w których u 20 badanych osób, za pomocą filmu video, starano się wzbudzić nastrój wesoły lub smutny. W celu przeprowadzenia klasyfikacji odczuwanych przez ochotników emocji wykorzystano 5 różnych metod, biorących pod uwagę wszystkie cechy, które zostały wyodrębnione z zarejestrowanych sygnałów. Najlepsze wyniki osiągnięto z wykorzystaniem metody maszyny wektorów nośnych (Support Vector Machine, SVM) oraz liniowej analizy dyskryminacyjnej. (abstrakt oryginalny)
Rocznik
Tom
86
Strony
40--52
Opis fizyczny
Twórcy
  • Uniwersytet Szczeciński
  • Uniwersytet w Karbali, Irak
  • Uniwersytet Szczeciński
  • Uniwersytet Szczeciński
Bibliografia
  • [1] Al-kadi, M., & Marufuzzaman, M. (2013). JART 399 Effectiveness of Wavelet Denoising on Electroencephalogram Signals, 11(February), 156-160.
  • [2] Balakrishnama, S., & Ganapathiraju, a. (1998). Linear Discriminant Analysis - a Brief Tutorial. Compute, 11, 1-9.
  • [3] Bhoria, R., Singal, P., & Verma, D. (2012). Analysis of effect of sound levels on eeg. International Journal of Advanced Technology & Engineering Research (IJATER), 121-124.
  • [4] Castellanos, N. P., & Makarov, V. a. (2006). Recovering EEG brain signals: Artifact suppression with wavelet enhanced independent component analysis. Journal of Neuroscience Methods, 158(2), 300-312.
  • [5] Getting Started - SCCN. (n.d.). Retrieved July 27, 2015, from http://sccn.ucsd.edu/wiki/Getting_ Started.
  • [6] Hosseini, S. A. (2012). Classification of Brain Activity in Emotional States Using HOS Analysis. International Journal of Image, Graphics and Signal Processing, 4(1), 21-27.
  • [7] Hosseini, S.A.; Khalilzadeh, M. A. (2010). Emotional stress recognition system using EEG and psychophysiological signals: Biomedical Engineering and Computer Science (ICBECS), 2010 International Conference on, 1-6.
  • [8] Joyce, C. A., Gorodnitsky, I. F., & Kutas, M. (2004). Automatic removal of eye movement and blink artifacts from EEG data using blind component separation. Psychophysiology, 41(2), 313-325.
  • [9] Kong, W., Zhao, X., Hu, S., Vecchiato, G., & Babiloni, F. (2013). Electronic evaluation for video commercials by impression index. Cognitive Neurodynamics, 7(6), 531-535.
  • [10] Krishnaveni, V., Jayaraman, S., Aravind, S., Hariharasudhan, V., & Ramadoss, K. (2006). Automatic identification and Removal of ocular artifacts from EEG using Wavelet transform. Measurement Science Review, 6(4), 45-57.
  • [11] Landowska, A, Szwoch, M., Szwoch, W., Wróbel, M. R., & Kołakowska, A. (2012). Emotion recognition and its applications.
  • [12] Murugappan, M., Nagarajan, R., & Yaacob, S. (2010). Discrete Wavelet Transform Based Selection of Salient EEG Frequency Band for Assessing Human Emotions. Universiti Malaysia ..., (Takahashi).
  • [13] Naraharisetti, K. V. P. (2010). Removal of ocular artifacts from EEG signal using joint approximate diagonalization of eigen matrices (JADE) and wavelet transform. Canadian Journal on Biomedical, 1(4), 56-60.
  • [14] Nitschke,J., Miller, G., Cook, E. (1998). 2a. Digital filtering.pdf.
  • [15] Papousek, I., Reiser, E. M., Weber, B., Freudenthaler, H. H., & Schulter, G. (2012). Frontal brain asymmetry and affective flexibility in an emotional contagion paradigm. Psychophysiology, 49(4), 489-98.
  • [16] Reconstruct single branch from 1-D wavelet coefficients - MATLAB wrcoef. (n.d.). Retrieved January 18, 2016, from http://www.mathworks.com/help/wavelet/ref/wrcoef.html.
  • [17] Sayad, S. (2010). Real Time Data Mining.
  • [18] Stoean, C., & Stoean, R. (2014). Support Vector Machines and Evolutionary Algorithms for Classifi cation. Single or Together.
  • [19] Taywade, S. A. (2012). A Review: EEG Signal Analysis With Different Methodologies.
  • [20] Vapnik. (1979). Support Vector Machines.
  • [21] Widmann, A., Schröger, E., & Maess, B. (2014). Digital filter design for electrophysiological data - a practical approach. Journal of Neuroscience Methods, 1-16.
  • [22] Yuan-Pin Lin, Chi-Hong Wang, Tzyy-Ping Jung, Tien-Lin Wu, Shyh-Kang Jeng, Jeng-Ren Duann, & Jyh-Horng Chen. (2010). EEG-Based Emotion Recognition in Music Listening. IEEE Transactions on Biomedical Engineering, 57(7), 1798-1806.
Typ dokumentu
Bibliografia
Identyfikatory
Identyfikator YADDA
bwmeta1.element.ekon-element-000171525007

Zgłoszenie zostało wysłane

Zgłoszenie zostało wysłane

Musisz być zalogowany aby pisać komentarze.
JavaScript jest wyłączony w Twojej przeglądarce internetowej. Włącz go, a następnie odśwież stronę, aby móc w pełni z niej korzystać.