Machine Learning Based Emotion Recognition System Using Eeg Signals
| العنوان بلغة أخرى: |
نظام التعرف على المشاعر القائمة على التعلم الآلي باستخدام إشارات Eeg |
|---|---|
| المؤلف الرئيسي: | العساسفه، سوزان يوسف سليمان (مؤلف) |
| مؤلفين آخرين: | الهلسة، رانيا عزمي إبراهيم (مشرف) |
| التاريخ الميلادي: |
2020
|
| موقع: | مؤتة |
| الصفحات: | 1 - 49 |
| رقم MD: | 1128944 |
| نوع المحتوى: | رسائل جامعية |
| اللغة: | الإنجليزية |
| الدرجة العلمية: | رسالة ماجستير |
| الجامعة: | جامعة مؤتة |
| الكلية: | كلية الدراسات العليا |
| الدولة: | الاردن |
| قواعد المعلومات: | Dissertations |
| مواضيع: | |
| رابط المحتوى: |
عدد مرات التحميل
49
| المستخلص: |
هنالك العديد من الأبحاث العلمية التي تهتم ببناء نظام تلقائي للتعرف على العواطف، ولبناء مثل هذه الأنظمة عادة ما يتم الاعتماد على إشارات الدماغ، حيث أثبتت تلك الدراسات أن هذه الإشارات يمكن استخدامها في تصنيف العديد من الحالات العاطفية. وتعتبر هذه العملية واحدة من أصعب المهام، لا سيما وإن إشارات الدماغ تتسم بأنها غير ثابتة. تولد المشاعر البشرية المختلفة نتيجة لردود أفعال لحالات عاطفية مختلفة الأمر الذي من شأنه أن يؤثر على إشارات الدماغ. وبهذا فأن أداء أنظمة التعرف على العواطف عن طريق إشارات الدماغ يعتمد على كفاءة الخوارزميات المستخدمة لاستخراج الميزات وخوارزمية اختيار الميزات وعملية التصنيف. في الآونة الأخيرة، حظيت دراسة إشارات (EEG) بالكثير من الاهتمام نظرا لتوافر العديد من قواعد البيانات القياسية. ولا سيما بعدما أصبحت أجهزة التقاط إشارات الدماغ متوفرة في الأسواق بمتناول الأيدي، وبأسعار معقولة وسهلة الاستخدام ولا سيما الأجهزة اللاسلكية منها. تهدف هذه الأطروحة إلى تقديم نموذج آلي للتعرف على العواطف بالاعتماد على إشارات تخطيط الدماغ، إن النموذج المقترح يركز على ابتكار طريقة فعالة تجمع ما بين المراحل الأساسية في التعامل مع إشارات تخطيط الدماغ. في مرحلة معالجة الإشارات تم استخدام تقنية (EMD and IMF) ثم (VMD). وفي مرحلة استخلاص الميزات تم استخدام ثلاثة تقنيات شهيرة هي (ES) و(TE) و(HFD) وأما في مرحلة التصنيف فقد تم استخدام أربع طرق تصنيف هي (Naive Base) و(KNN) (CNN) (DT) لتصنيف الحالة العاطفية. ولتقييم أداء نموذجنا المقترح تم تطبيق التجارب على قاعدة بيانات شهيرة تسمى (DEAP) استنادا إلى العديد من نماذج التقييم الشهيرة بما في ذلك الدقة الخصوصية والحساسية، أظهرت التجارب كفاءة الطريقة المقترحة والتي كانت على النحو التالي: فقد كانت نتيجة الدقة (92.31) عند تطبيق طريقة (KNN)، بينما حقق (DT) نتيجة (90.82)، وحقق (Naive Base) نتيجة (91.11)، وظهرت أفضل النتائج عند استخدام (CNN) فقد كانت الدقة (94.91). |
|---|
عناصر مشابهة
-
Feature Extraction of EEG Signal to Classify Epileptic Signal Using Neural Network
بواسطة: جزار، عصام معتصم منشور: (2020) -
An Adaptive Traffic Lights System Using Machine Learning
بواسطة: العمري، أحمد محمد منشور: (2020) -
Review on Using Machine Learning and Deep Learning Algorithms for Emotion Analysis
بواسطة: الجرادي، فتح أحمد قائد أحمد منشور: (2024) -
Automatic Classification of Sleep Stages Using EEG Signals and Convolutional Neural Networks
بواسطة: أبو قازان، شروق نايف منشور: (2021) -
Optimized Machine Learning Based Feature Selection Methodsfor Sentiment Classification
بواسطة: Basheer, Mohammad منشور: (2017)
