Pozitif ve Negatif Duyguların Ayrımında Etkili EEG Kanallarının Dalgacık Dönüşümü ve Destek Vektör Makineleri ile Belirlenmesi

Duygular kişilerin yaşamlarını ve karar verme mekanizmalarını hayatının tamamında etkilemektedir. İnsanlar duygulara kelimeleri, sesleri, yüz mimiklerini ve vücut dillerini kullanarak istemli ya istemsiz bir şekilde, iş yaparken, gözlemlerken, düşünürken kısacası çevresiyle iletişim kurarken başvururlar. Bundan dolayı, duyguların davranışlarını analiz etmek ve anlamak büyük önem arz etmektedir. Beyin sinyallerine dayalı gerçekleştirilen duygu tahmini günümüzde Beyin-Bilgisayar Arayüzü (BBA) uygulamalarında büyük yarar sağlamaktadır. BBA uygulamaları daha çok sağlık, eğitim, güvenlik, sanal gerçeklik, bilgisayar oyunları olmak üzere birbirinden farklı birçok alanda kullanılmaktadır. Ancak, beyin sinyallerinin elde edilmesi sırasında gürültülerin ortaya çıkması, EEG kanallarının yanlış seçilmesi, verilerin yoğun olması ve uygun olmayan özellik çıkarım yöntemlerinin kullanılması, BBA uygulamalarının yeterli seviyeye gelememelerine neden olmaktadır. Bu çalışmada, hangi EEG kanallarının pozitif-negatif duyguların ayrımında etkili olduğu belirlenmeye çalışılmış ve DEAP veri setindeki 32 kanallı EEG sinyalleri kullanılmıştır. Özellik çıkarım aşamasında, dalgacık dönüşümü, bilgi ölçüm yöntemleri ve istatistiksel yöntemler kullanılarak etkili EEG kanallarının belirlenmesi hedeflenmiştir. Çalışmanın son aşamasında ise, elde edilen özelliklerden yola çıkılarak oluşturulan eğitim kümesi DVM (Destek Vektör Makineleri) kullanılarak sınıflandırılmıştır. Önerilen yöntemin sınıflandırma performansı, sınıflandırma kesinliği, log-kaybı ve on kat çapraz-doğrulama) ile belirlenmiştir. Her bir EEG kanalı için doğruluk oranı hesaplanmış ve ortalama başarım %74 olacak şekilde gözlemlenmiştir. Önerilen yöntem ve tekniklere göre en etkili EEG kanalları Fp1, FC6, C4, CP1, CP5, CP6, T7, P7 ve Pz olarak belirlenmiştir.

Determination of Effective EEG Channels for Discrimination of Positive and Negative Emotions with Wavelet Decomposition and Support Vector Machines

People’s lives and decision-making process are influenced by negative-positive emotions. People state their emotions with words, body language, facial expression and voice during thinking, decision making, observing or interacting with the environment. So, it is vital to understand the nature of emotions well. EEG based emotion recognition systems are useful in brain-computer interface (BCI) area. BCI systems are applied in various fields such as education, healthcare systems, virtual reality, video gaming industry. Although EEG signals give much valuable information about brain functions and emotions, brain-computer interface systems have not attained the targeted goals because of artefacts, misuse of EEG channels, data complexity and inappropriate feature extraction and selection methods. In this article, we tried to analyze which EEG channels are effective to estimate positive-negative emotions. We applied publicly available dataset (DEAP) in this work and 32 different EEG channels were classified. Discrete wavelet decomposition, information measurement and statistical methods were applied in the feature extraction phase. In the last phase, SVM (Support Vector Machines) are applied in order to classify the features. The classification performance of the proposed method evaluated by classification accuracy, log-loss, and ten-fold cross validation. Performance accuracy was observed from each EEG channel and average accuracy was found 74%. The experimental results indicated that the best EEG channels for positive-negative emotions Fp1, FC6, C4, CP1, CP5, CP6, T7, P7, and Pz via the proposed method.

Keywords:

emotion recognition, support vector machines wavelet decomposition, entropy,

PDF

___

[1] M. Naji, M. Firoozabadi, P. Azadfallah, “Emotion Classification During Music Listening from Forehead Biosignals”, Signal, Image and Video Processing, 9(6), 1365-1375, 2015.
[2] A. Turnip, A. I. Simbolon, M. F. Amri, P. Sihombing, R. H. Setiadi., E. Mulyana, “Backpropagation Neural Networks Training for EEG-SSVEP Classification of Emotion Recognition”, Internetworking Indenosia Journal, 9(1), 53-57, 2017.
[3] S. J. Westerman, P. H. Gardner, E. J. Sutherland, “Usability Testing Emotion-Orianted Computing Systems: Psychometric Assessment”, HUMAINE Deliverable, 1-53, 2006.
[4] M. Lhommet, S. C. Marsella, “Expressing Emotion through Posture and Gesture”, The Oxford Handbook of Affective Computing, Oxford Library of Psychology, Oxford, 2015.
[5] T. B. Alakuş, İ. Türoğlu, “EEG Based Emotion Analysis Systems”, Türkiye Bilişim Vakfı Bilgisayar Bilimleri ve Mühendisliği Dergisi, 11(1), 26-39, 2018.
[6] W. Szwoch, Using Physiological Signals for Emotion, Sopot, Poland, 2013.
[7] J. Pan., Y. Li., J. Wang, “An EEG-Based Brain-Computer Interface for Emotion Recognition”, 2016 International Joint Conference on Neural Networks, Canada, 2063-2067, 2016.
[8] Y. Zhang, X. Ji, S. Zhang, “An Approach to EEG-Based Recognition Using Combined Feature Extraction Method”, Neuroscience Letters , 633, 152-157, 2016.
[9] C. Shahnaz, S. Bin-Masud, M. S. Hasan, “Emotion Recognition Based on Wavelet Analysis of Emprical Mode Decomposed EEG Signals Responsive to Music Videos”, Region10 Conference, 424-427, 2016.
[10] N. Kumar, K. Khaund, S. M. Hazarika, “Bispectral Analysis of EEG for Emotion Recognition”, Procedia Computer Science, 84, 31-35, 2016.
[11] S. Jirayucharoensak, S. P. Ngum, P. Israsena, “EEG-Based Emotion Recognition Using Deep Learning Network with Principal Component Based Covariate Shift Adaptation”, The Scientific World Journal, 2014.
[12] S. Wu, X. Xu, L. Shu, B. Hu, “Estimation of Valence of Emotion Using Two Frontal EEG Channels”, IEEE International Conference on Bioinformatics and Biomedicine, 1127 – 1130,2017.
[13] P. Ekman, “An Argument for Basic Emotions”, Cognition and Emotion, 6(3-4), 169-200, 1992.
[14] J. A. Russel., “Core Affect and Psychological Construction of Emotion”, Psychological Review, 110(1), 145-150, 2003.
[15] Q. Zhang,, X. Chen, Q. Zhan, T. Yang, S. Xia, “Respiration-Based Emotion Recognition with Deep Learning”, Computers in Industry, 92(2017) 84-90, 2017.
[16] A. Mert, A. Akan, “Emotion Recognition Based on TimeFrequency Distribution of EEG Signals Using Multivariate Synchrosqueezing Transform”, Digital Signal Processing, 81(2018), 152-157, 2018.
[17] L. Xin, S. Xiao-Qi, Q. Xiao-Ying, S. Xiao-Feng, “Relevance Vector Machine Based EEG Emotion Recognition”, 2016 Sixth International Conference on Instrumentation & Measurement, Computer, Communication and Control, China, 293-297, 2016.
[18] B. Krisnandhika, A. Faqih, P. D. Pumamasari, B. Kusumoputro, “Emotion Recognition System Based on EEG Signals Using Relative Wavelet Energy Features and a Modified Radial Basis Function Neural Networks”, 2017 International Confference on Consumer Electronics and Devices, London, 50-54, 2017.
[19] S. Aydın, H. M. Saraoğlu, S. Kara, “Log Energy Entropy-Based EEG Classification with Multilayer Neural Networks in Seizure”, Annals of Biomedical Engineering, 37(12), 2626-2630, 2009.
[20] S. Koelstra, C. Mühl, M. Soleymani, “DEAP: A Database for Emotion Analysis: Using Physiological Signals”, IEEE Transactions on Affective Computing, 3(1), 18-31, 2012.
[21] T. B. Alakuş, I. Turkoglu, EEG Verilerinden İşaret İşleme ve Sınıflandırma Teknikleri Kullanılarak Duygu Tahmini, Yüksek Lisans Tezi, Fırat Üniversitesi, Fen Bilimleri Enstitüsü, 2018.
[22] Accardo, M. Affinito, M. Carrozzi, and F. Bouqet, ‘’Use of the Fractal Dimension for the Analysis of Electroencephalographic Time Series’’, Biological Cybernetics, 77(5), 339-350, 1997.
[23] A. Al-Nuaimi, E. Jammeh, L. Sun, and E. Ifeachor, “Higuchi Fractal Dimension of the Electroensephalogram as a Biomarker for Early Detection of Alzheimers Disease, IEEE Engineering in Medicine and Biology Society Annual Conference, 2320-2324, 2017.
[24] Calp, M. H., “Medical Diagnosis with a Novel SVM-CoDOA Based Hybrid Approach”, BRAIN. Broad Research in Artificial Intelligence and Neuroscience, 9(4), 6-16, (2018).