EEG Sinyalleri Kullanılarak Makine Öğrenmesi Tabanlı Otomatik Duygu Sınıflandırma

Hakan Köksal; Mehmet Bayğın

doi:10.5281/zenodo.8074861

TR EN

EEG Sinyalleri Kullanılarak Makine Öğrenmesi Tabanlı Otomatik Duygu Sınıflandırma

Abstract

Son yıllarda otomatik duygu tespiti ve sınıflandırma literatürde üzerinde çalışılan konular arasında yer almaktadır. Duygular, bireylerin dış dünyayla olan ilişkilerinde, eylemlerinde ve kararlarında etkin rol oynamaktadır. Bu nedenle duygu tanıma insan-bilgisayar etkileşimde kritik öneme sahiptir. Duyguların tespiti yapılırken EEG sinyallerinin bazı nörolojik ve beyinsel aktiviteleri tespit ettiği tartışma konusudur. Bu çalışmada, duyguların tespiti ve analizi için ayırıcı özellik taşıyan sinyaller üretildiğinden EEG sinyalleri kullanılmıştır. Bu çalışmada etkili ve basit yöntemler geliştirerek yüksek doğruluğa sahip otomatik duygu tanıma amaçlanmaktadır. Önerilen Local Binary Pattern (LBP) yönteminde ReliefF özellik seçimi ve Ensemble sınıflandırıcı kullanılarak yeni bir otomatik EEG duygu tanıma modeli sunulmuştur. Bu model, özellik çıkarma, özellik seçme ve sınıflandırma olmak üzere makine öğrenimi modelinin tüm aşamalarını kapsamaktadır. Bu model üzerinde yapılan çalışmada, DREAMER veri seti üzerinden ortalama %63.89 sınıflandırma başarısına ulaşılmıştır.

Keywords

EEG, Makine Öğrenmesi, Duygu Tanıma, Sınıflandırma

References

B. Parkinson, “Emotions are social”, Br. J. Psychol., c. 87, sayı 4, ss. 663–683, 1996, doi: 10.1111/j.2044-8295.1996.tb02615.x.
S. Liu, Z. Wang, Y. An, J. Zhao, Y. Zhao, ve Y. D. Zhang, “EEG emotion recognition based on the attention mechanism and pre-trained convolution capsule network”, Knowledge-Based Syst., c. 265, s. 110372, 2023, doi: 10.1016/j.knosys.2023.110372.
J. Prinz, “Which emotions are basic?”, Emot. Evol. Ration., ss. 1–19, 2012, doi: 10.1093/acprof:oso/9780198528975.003.0004.
D. Maheshwari, S. K. Ghosh, R. K. Tripathy, M. Sharma, ve U. R. Acharya, “Automated accurate emotion recognition system using rhythm-specific deep convolutional neural network technique with multi-channel EEG signals”, Comput. Biol. Med., c. 134, sayı May, s. 104428, 2021, doi: 10.1016/j.compbiomed.2021.104428.
R. Jenke, A. Peer, ve M. Buss, “Feature Extraction and Selection for Emotion Recognition from Electrodermal Activity”, IEEE Trans. Affect. Comput., c. 12, sayı 4, ss. 857–869, 2021, doi: 10.1109/TAFFC.2019.2901673.
A. Dogan vd., “Automated accurate emotion classification using Clefia pattern-based features with EEG signals”, Int. J. Healthc. Manag., ss. 1–14, 2022, doi: 10.1080/20479700.2022.2141694.
G. Xiao, M. Shi, M. Ye, B. Xu, Z. Chen, ve Q. Ren, “4D attention-based neural network for EEG emotion recognition”, Cogn. Neurodyn., ss. 1–14, 2022, doi: 10.1007/s11571-021-09751-5.
J. Li vd., “Cross-subject EEG emotion recognition combined with connectivity features and meta-transfer learning”, Comput. Biol. Med., c. 145, sayı April, s. 105519, 2022, doi: 10.1016/j.compbiomed.2022.105519.
M. yu Zhong, Q. yu Yang, Y. Liu, B. yu Zhen, F. da Zhao, ve B. bei Xie, “EEG emotion recognition based on TQWT-features and hybrid convolutional recurrent neural network”, Biomed. Signal Process. Control, c. 79, sayı P2, s. 104211, 2023, doi: 10.1016/j.bspc.2022.104211.
A. R. Aguiñaga, L. M. Delgado, V. R. López-López, ve A. C. Téllez, “EEG-Based Emotion Recognition Using Deep Learning and M3GP”, Appl. Sci., c. 12, sayı 5, s. 2527, 2022, doi: doi.org/10.3390/.

Z. Zhang, S. hua Zhong, ve Y. Liu, “GANSER: A Self-supervised Data Augmentation Framework for EEG-based Emotion Recognition”, IEEE Trans. Affect. Comput., c. XX, sayı XX, ss. 1–17, 2022, doi: 10.1109/TAFFC.2022.3170369.
R. Yuvara, P. Thagavel, J. Thomas, ve J. Fogarty, “Comprehensive Analysis of Feature Extraction Methods for Emotion Recognition from Multichannel EEG Recordings”, Sensors, ss. 1–19, 2023, doi: 10.3390/s23020915.
Y. Wei, Y. Liu, C. Li, J. Cheng, R. Song, ve X. Chen, “TC-Net : A Transformer Capsule Network for EEG-based emotion recognition”, Comput. Biol. Med., c. 152, sayı June 2022, s. 106463, 2023, doi: 10.1016/j.compbiomed.2022.106463.
K. R. Scherer, “What are emotions? and how can they be measured?”, Soc. Sci. Inf., c. 44, sayı 4, ss. 695–729, 2005, doi: 10.1177/0539018405058216.
L. F. Barrett, M. Gendron, ve Y. M. Huang, “Do discrete emotions exist?”, Philos. Psychol., c. 22, sayı 4, ss. 427–437, 2009, doi: 10.1080/09515080903153634.
E. Harmon-Jones, C. Harmon-Jones, ve E. Summerell, “On the importance of both dimensional and discrete models of emotion”, Behav. Sci. (Basel)., c. 7, sayı 4, 2017, doi: 10.3390/bs7040066.
M. M. Bradley ve P. J. Lang, “Measuring emotion: The self-assessment manikin and the semantic differential”, J. Behav. Ther. Exp. Psychiatry, c. 25, sayı 1, ss. 49–59, Mar. 1994, doi: 10.1016/0005-7916(94)90063-9.
S. Katsigiannis ve N. Ramzan, “DREAMER: A Database for Emotion Recognition Through EEG and ECG Signals from Wireless Low-cost Off-the-Shelf Devices”, IEEE J. Biomed. Heal. Informatics, c. 22, sayı 1, ss. 98–107, 2018, doi: 10.1109/JBHI.2017.2688239.
I. W. Selesnick, “Wavelet transform with tunable Q-factor”, IEEE Trans. Signal Process., c. 59, sayı 8, ss. 3560–3575, 2011, doi: 10.1109/TSP.2011.2143711.
M. Baygin, “An accurate automated schizophrenia detection using TQWT and statistical moment based feature extraction”, Biomed. Signal Process. Control, c. 68, sayı January, s. 102777, 2021, doi: 10.1016/j.bspc.2021.102777.
J. Cheng vd., “Emotion Recognition From Multi-Channel”, IEEE J. Biomed. Heal. Informatics, c. 25, sayı 2, ss. 453–464, 2021.
Y. Liu vd., “Multi-channel EEG-based emotion recognition via a multi-level features guided capsule network”, Comput. Biol. Med., c. 123, sayı July, s. 103927, 2020, doi: 10.1016/j.compbiomed.2020.103927.
A. Bhattacharyya, R. K. Tripathy, ve L. Garg, “A Novel Multivariate-Multiscale Approach for Computing EEG Spectral and Temporal Complexity for Human Emotion Recognition”, c. 21, sayı 3, ss. 3579–3591, 2021, doi: 10.1109/JSEN.2020.3027181.
Y. Wang, S. Qiu, X. Ma, ve H. He, “A prototype-based SPD matrix network for domain adaptation EEG emotion recognition”, Pattern Recognit., c. 110, s. 107626, 2021, doi: 10.1016/j.patcog.2020.107626.
A. Dogan vd., “PrimePatNet87: Prime pattern and tunable q-factor wavelet transform techniques for automated accurate EEG emotion recognition”, Comput. Biol. Med., c. 138, sayı September, s. 104867, 2021, doi: 10.1016/j.compbiomed.2021.104867.
T. Tuncer, S. Dogan, ve A. Subasi, “LEDPatNet19: Automated emotion recognition model based on nonlinear LED pattern feature extraction function using EEG signals”, Cogn. Neurodyn., c. 16, sayı 4, ss. 779–790, 2022, doi: 10.1007/s11571-021-09748-0.
C. Li vd., “Emotion recognition from EEG based on multi-task learning with capsule network and attention mechanism”, Comput. Biol. Med., c. 143, sayı January, s. 105303, 2022, doi: 10.1016/j.compbiomed.2022.105303.
T. Tuncer, S. Dogan, M. Baygin, ve U. Rajendra Acharya, “Tetromino pattern based accurate EEG emotion classification model”, Artif. Intell. Med., c. 123, sayı March 2021, s. 102210, 2022, doi: 10.1016/j.artmed.2021.102210.
Z. He, Y. Zhong, ve J. Pan, “Joint Temporal Convolutional Networks and Adversarial Discriminative Domain Adaptation for Eeg-Based Cross-Subject Emotion Recognition”, ICASSP, IEEE Int. Conf. Acoust. Speech Signal Process. - Proc., c. 2022-May, ss. 3214–3218, 2022, doi: 10.1109/ICASSP43922.2022.9746600.
J. Quan, Y. Li, L. Wang, R. He, S. Yang, ve L. Guo, “EEG-based cross-subject emotion recognition using multi-source domain transfer learning”, Biomed. Signal Process. Control, c. 84, sayı September 2022, s. 104741, 2023, doi: 10.1016/j.bspc.2023.104741.

Details

Primary Language

Turkish

Subjects

Machine Learning (Other), Software Engineering (Other)

Journal Section

Research Article

Authors

Hakan Köksal ^*
0000-0002-8648-4012
Türkiye

Mehmet Bayğın
0000-0001-6449-8950
Türkiye

Early Pub Date

June 23, 2023

Publication Date

June 30, 2023

Submission Date

May 8, 2023

Acceptance Date

June 7, 2023

Published in Issue

Year 2023 Volume: 1 Number: 1

DOI

https://doi.org/10.5281/zenodo.8074861

IZ

https://izlik.org/JA99UE63SH

APA

Köksal, H., & Bayğın, M. (2023). EEG Sinyalleri Kullanılarak Makine Öğrenmesi Tabanlı Otomatik Duygu Sınıflandırma. Journal of Studies in Advanced Technologies, 1(1), 26-40. https://doi.org/10.5281/zenodo.8074861

AMA

1.Köksal H, Bayğın M. EEG Sinyalleri Kullanılarak Makine Öğrenmesi Tabanlı Otomatik Duygu Sınıflandırma. JSAT. 2023;1(1):26-40. doi:10.5281/zenodo.8074861

Chicago

Köksal, Hakan, and Mehmet Bayğın. 2023. “EEG Sinyalleri Kullanılarak Makine Öğrenmesi Tabanlı Otomatik Duygu Sınıflandırma”. Journal of Studies in Advanced Technologies 1 (1): 26-40. https://doi.org/10.5281/zenodo.8074861.

EndNote

Köksal H, Bayğın M (June 1, 2023) EEG Sinyalleri Kullanılarak Makine Öğrenmesi Tabanlı Otomatik Duygu Sınıflandırma. Journal of Studies in Advanced Technologies 1 1 26–40.

IEEE

[1]H. Köksal and M. Bayğın, “EEG Sinyalleri Kullanılarak Makine Öğrenmesi Tabanlı Otomatik Duygu Sınıflandırma”, JSAT, vol. 1, no. 1, pp. 26–40, June 2023, doi: 10.5281/zenodo.8074861.

ISNAD

Köksal, Hakan - Bayğın, Mehmet. “EEG Sinyalleri Kullanılarak Makine Öğrenmesi Tabanlı Otomatik Duygu Sınıflandırma”. Journal of Studies in Advanced Technologies 1/1 (June 1, 2023): 26-40. https://doi.org/10.5281/zenodo.8074861.

JAMA

1.Köksal H, Bayğın M. EEG Sinyalleri Kullanılarak Makine Öğrenmesi Tabanlı Otomatik Duygu Sınıflandırma. JSAT. 2023;1:26–40.

MLA

Köksal, Hakan, and Mehmet Bayğın. “EEG Sinyalleri Kullanılarak Makine Öğrenmesi Tabanlı Otomatik Duygu Sınıflandırma”. Journal of Studies in Advanced Technologies, vol. 1, no. 1, June 2023, pp. 26-40, doi:10.5281/zenodo.8074861.

Vancouver

1.Hakan Köksal, Mehmet Bayğın. EEG Sinyalleri Kullanılarak Makine Öğrenmesi Tabanlı Otomatik Duygu Sınıflandırma. JSAT. 2023 Jun. 1;1(1):26-40. doi:10.5281/zenodo.8074861

EEG Sinyalleri Kullanılarak Makine Öğrenmesi Tabanlı Otomatik Duygu Sınıflandırma

EEG Sinyalleri Kullanılarak Makine Öğrenmesi Tabanlı Otomatik Duygu Sınıflandırma

Abstract

Keywords

Machine Learning Based Automatic Emotion Classification Using EEG Signals

Abstract

Keywords

References

Details

Primary Language

Subjects

Journal Section

Authors

Early Pub Date

Publication Date

Submission Date

Acceptance Date

Published in Issue

DOI

IZ

Cite