تنك‌سازي رگرسيون PLS با استفاده از نرم-2 ضرايب وزن‌دار: كاربرد در حل مساله‌ي بازشناسي احساسات

Sparsification of the PLS Regression Algorithm using L2-Norm of Weighted Coefficients: Application in Emotion Recognition

سيگنال الكتريكي مغز به دليل سهولت در ثبت، غيرتهاجمي بودن و دقت بالا كاربرد بسيار گسترده‌اي در حوزه‌هاي كلينيكي و تحقيقات دانشگاهي پيدا كرده است كه از آن جمله مي‌توان به بازشناسي احساس از روي سيگنال الكتريكي مغز اشاره كرد. براي مشخص كردن نوع احساس برانگيخته عموما از دو معيار خوشايندي و انگيختگي استفاده شده كه به ترتيب ميزان مثبت يا منفي بودن و ميزان برون‌فكني يا هيجان ايجاد شده را براي يك احساس خاص مشخص مي‌نمايند. اهميت احساس با توجه به عكس­العمل­هاي ناشي از اين پديده در انجام وظايف روزانه به خصوص در فعاليت­هايي كه به دقت و تمركز نياز دارند مشخص مي­شود. در مساله‌ي بازشناسي احساس ابتدا احساسات مختلف با استفاده از محرك‌هاي حسي مناسب براي سوژه‌هاي مورد بررسي ايجاد شده و سيگنال‌هاي مغزي متناظر با هر تحريك ثبت مي‌شود. دو مرحله‌ي پردازش اصلي در حل مساله‌ي بازشناسي احساسات، استخراج ويژگي‌هاي مناسب و استفاده از طبقه‌بندها يا رگرسيون‌هاي مناسب است. در پژوهش‌هاي پيشين محرك‌هاي مختلف بينايي و شنوايي مورد استفاده قرار گرفته و ويژگي‌ها و طبقه‌بندهاي متنوع خطي و غيرخطي بررسي شده است. هدف اين مقاله بهبود الگوريتم­هاي رگرسيون خطي براي تخمين بهتر معيارهاي بازشناسي احساسات انساني است. بدين منظور يك الگوريتم جديد ارائه شده است كه از تنك بودن بردار تركيب در كنار تابع هزينه‌ي رگرسيون خطي استفاده مي‌كند. كارايي الگوريتم‌ ارائه شده روي داده‌هاي ساختگي مورد بررسي قرار گرفته و برتري آن نسبت به الگوريتم‌هاي رگرسيون خطي PLS، LASSO، SOPLS و Ridge نشان داده شده است. هم‌چنين براي اعمال الگوريتم‌ ارائه شده روي داده‌هاي EEG مربوط به بازشناسي احساسات از مجموعه‌ي دادگان DEAP استفاده شده و ويژگي ضرايب مدل AR از سيگنال‌هاي EEG استخراج شده است. نتايج به دست آمده از الگوريتم‌ پيشنهادي با نتايج ساير الگوريتم‌ها مقايسه شده‌ است كه در مجموع برتري نسبي الگوريتم ارائه شده را نشان مي‌دهد.

The brain electrical signal has been widely used in clinical and academic research, due to its ease of recording, non-invasiveness, and precision. One of the applications can be emotion recognition from the brain's electrical signal. Generally, two types of parameters (Valence and Arousal) are used to determine the type of emotion which in turn indicate "positive or negative" and "level of extroversion or excitement" for a specific emotion. The significance of emotion is determined by the effects of this phenomenon on daily tasks, especially in cases where the person is confronted with activities that require careful attention and concentration. In the emotion recognition problem, firstly, using proper emotion stimuli, different emotions are created for the subjects under study and the brain signals corresponding to each stimulus are recorded. The two main steps for solving the emotion recognition problem are extracting suitable features and using appropriate classification or regression methods. In previous studies, different visual and auditory have been used and various linear and nonlinear features and classifiers have been investigated. In this paper, the main goal was the improvement of linear regression algorithms to estimate the criteria for recognizing human emotions more efficiently. For this purpose we proposed a new algorithm that uses the sparseness of the mixing vector along with the linear regression cost function. The effectiveness of the proposed algorithm on simulated data has been investigated and its superiority to linear regression algorithms such as PLS, LASSO, SOPLS and Ridge was shown. Also, to apply the proposed algorithm on EEG data corresponding to emotion recognition, the DEAP dataset was used and the AR coefficients were extracted from the EEG signals. The results obtained from the proposed algorithm were compared with those of the other linear regression algorithms, which in total showed the relative superiority of the proposed method.