يافتن نگاشت ويژگي‌هاي مشترك براي سيستم‌هاي تشخيص احساس مبتني بر سيگنال EEG با رويكرد يادگيري چند وظيفه‌اي

پژوهش‌ها نشان مي‌دهند كه احساسات انسان نتيجه عملكرد نوروني داخل مغز وي است. در سال‌هاي اخير پژوهشگران از شيوه‌هاي گوناگون در راستاي اخذ و پيش‌پردازش سيگنال‌هاي مغزي، انتخاب ويژگي، كاهش بُعد و طبقه‌بندي استفاده كرده‌اند. اما تعداد و نوع ويژگي‌هاي استخراج شده نقش بسيار مهمي در طبقه‌بندي ايفا مي‌كنند. با توجه به اينكه نمي‌دانيم كدام ويژگي‌ها در طبقه‌بندي موثرتر عمل مي‌كنند و از طرفي مجموعه ويژگي‌هاي مورد استفاده معمولا زياد و مستقل از افراد نيستند، لذا كم كردن تعداد ويژگي‌ها و افزايش كارايي طبقه‌بند بسيار مورد توجه پژوهشگران قرار گرفته است. هدف اين مقاله نيز ارائه روشي مبتني بر يادگيري چند وظيفه‌اي براي كاهش بُعد و رسيدن به زير فضاي مشتركي از ويژگي‌ها مي‌باشد كه احساسات افراد مختلف را به خوبي توصيف ‌كند. بنابراين با استفاده از يادگيري چند وظيفه‌اي، از فضاي ويژگي‌هاي مورد استفاده نگاشتي يافت شود كه بين افراد مختلف مشترك باشد. براي نشان دادن كارايي روش پيشنهادي از سه مجموعه داده بسيار معروف SEED، DEAP و DREAMER استفاده شد. آزمايشات به دو صورت انجام شد. در آزمايش اول هر كانال به صورت جدا بررسي شد و كانال‌هايي كه كارايي بالا داشتند انتخاب شدند. آزمايش دوم با در نظر گرفتن كانال‌هاي بخش‌هاي مختلف مغز (جلو سر، عقب سر، نيمكره راست و نيمكره چپ) صورت گرفت. در آزمايش اول، بالاترين كارايي حدود 80 درصد و در آزمايش دوم حدود 84 درصد است. نتايج آزمايشات نشان مي‌دهند كه روش پيشنهادي نسبت به روش‌هاي مقايسه كارايي بهتري دارد.