Electroencephalogram (EEG) signals have been considered to diagnose several brain and neurologic disorders. Moreover, the brain generated characteristic EEG signals according to the situation. Therefore, EEG signals have been used to detect emotional state and several EEG-based automated emotion detection models have been presented in the literature. In this work, a new automated EEG emotion detection model presented using multilevel discrete wavelet transform, local binary pattern, neighborhood component analysis, and k nearest neighbor classifier. The phases of the presented EEG classification model are; (i) the used EEG signals are divided into five equal non-overlapping segments, (ii) frequency coefficients are generated using multilevel discrete wavelet transform, (iii) local binary pattern generates features from raw EEG segment and frequency coefficients, (iv) feature selection using neighborhood component analysis, (v) classification and (vi) hard majority voting. We used the GAMEEMO dataset to test our proposal. This EEG emotion corpus contains 14 channels and channel-wise results were calculated. Our proposal reached perfect classification rate (100.0%) on the GAMEEMO dataset. These results clearly denoted the high classification ability of our model on the EEG signals for emotion classification.
Elektroensefalogram (EEG) sinyallerinin çeşitli beyin ve nörolojik bozuklukları teşhis ettiği düşünülmektedir. Ayrıca beyin duruma göre karakteristik EEG sinyalleri üretir. Bu nedenle, duygusal durumu tespit etmek için EEG sinyalleri kullanılmış ve literatürde birçok EEG tabanlı otomatik duygu algılama modeli sunulmuştur. Bu çalışmada, çok düzeyli ayrık dalgacık dönüşümü, yerel ikili desen, komşuluk bileşen analizi ve k en yakın komşu sınıflandırıcı kullanılarak yeni bir otomatik EEG duygu algılama modeli sunulmuştur. Sunulan EEG sınıflandırma modelinin aşamaları; (i) kullanılan EEG sinyalleri beş eşit örtüşmeyen bölüme bölünmüştür, (ii) frekans katsayıları çok düzeyli ayrık dalgacık dönüşümü kullanılarak üretilmiştir, (iii) yerel ikili desen ham EEG bölümü ve frekans katsayılarından özellikler üretir, (iv) komşuluk bileşen analizi kullanarak özellik seçimi, (v) sınıflandırma ve (vi) katı çoğunluk oylaması. Yöntemimizi test etmek için GAMEEMO veri kümesini kullandık. Bu EEG duygu veriseti 14 kanal içerir ve kanal bazında sonuçlar hesaplanmıştır. Önerimiz, GAMEEMO veri kümesinde mükemmel sınıflandırma oranına (% 100.0) ulaştı. Bu sonuçlar, modelimizin duygu sınıflandırması için EEG sinyalleri üzerindeki yüksek sınıflandırma yeteneğini açıkça gösterdi.
Primary Language | Turkish |
---|---|
Subjects | Engineering |
Journal Section | Articles |
Authors | |
Publication Date | December 31, 2021 |
Submission Date | March 29, 2021 |
Published in Issue | Year 2021 |