چکیده

مقدمه:

تشخیص حالات عاطفی سیستم های تعامل انسان و کامپیوتر (HCI) را بهبود می بخشد تا در عمل موثرتر باشد. ارتباط بین سیگنال های الکتروانسفالوگرافی (EEG) و احساسات در تحقیقات مختلف نشان داده شده است. بنابراین، روش های مبتنی بر سیگنال EEG دقیق تر و آموزنده تر هستند.

روش‌پژوهش:

در این مطالعه از سه مدل شبکه عصبی کانولوشنال (CNN) EEGNet، ShallowConvNet و DeepConvNet که برای پردازش سیگنال های EEG مناسب هستند، برای تشخیص احساسات استفاده می شود. ما از پیش پردازش حذف پایه برای بهبود دقت طبقه بندی استفاده می کنیم. هر شبکه به دو روش ارزیابی می شود: تک سوژه ای و میان سوژه ای. ما مدل انتخابی CNN، ShallowConvNet را با استفاده از بلوک Squeeze-and-Excitation (SE) برای تمرکز روی بخش مهم سیگنال ها بهبود می دهیم. در مرحله بعد، مدل پیشنهادی، SE-ShallowConvNet، بهینه شده است تا سبک وزن و قابل اجرا بر روی یک پردازنده Raspberry Pi باشد. حالت‌های احساسی برای هر دوره سه ثانیه‌ای سیگنال‌های دریافتی در سیستم تعبیه‌شده شناسایی می‌شوند که می‌توانند در استفاده بلادرنگ در عمل اعمال شوند.

یافته‎ها:

میانگین دقت طبقه بندی 99.21٪ در ظرفیت و 99.22٪ در برانگیختگی برای تک سوژه ای و 90.87٪ در ظرفیت و 91.40٪ در برانگیختگی برای حالت میان سوژه ای در مجموعه داده معروف DEAP به دست آمد.

نتیجه‎گیری:

مقایسه نتایج با آثار مرتبط نشان می‌دهد که یک مدل بسیار دقیق و قابل اجرا به دست آمده است.