Emosi manusia Sistem Deteksi Menggunakan Sinyal EEG
Abstrak: Sejak emosi memainkan peran penting dalam kehidupan sehari-hari manusia, kebutuhan dan pentingnya emosi otomatis deteksi telah berkembang dengan meningkatnya peran manusia komputer aplikasi antarmuka. Deteksi emosi bisa dilakukan dilakukan dari teks, pidato, ekspresi wajah atau gerakan. Dalam tulisan ini, fokus adalah pada deteksi "nyata" emosi dari electroencephalogram Sinyal !!#. $engukuran !! adalah non-in%asif dan murah, memiliki sensiti%itas yang sangat tinggi untuk menerima informasi tentang perubahan internal negara otak, dan menawarkan sangat tinggi resolusi waktu di kisaran milidetik. Sistem ini berasal sebuah &ekanisme real-time dari kuanti'kasi emosi dasar menggunakan &odel emosi gairah-(alence. )ata kunci: *. $erkenalan Secara tradisional, teknologi !! berbasis digunakan hanya dalam aplikasi medis seperti epilepsi dan kejang. Saat ini, baru headset nirkabel yang portabel, harga yang efektif dan mudah untuk $enggunaan yang tersedia di pasar. pasar. +ni memperluas kemungkinan untuk menyebar teknologi untuk bidang-bidang seperti hiburan, elearning, dunia maya, dll deteksi emosi otomatis dari Sinyal !! menerima lebih banyak perhatian dengan perkembangan bentuk-bentuk baru interaksi manusia-komputer dengan media digital. ujuannya ujuannya adalah untuk melakukan melakukan real-time klasi'kasi klasi'kasi emosi menggunakan menggunakan algoritma pembelajaran mesin otomatis. Dalam tulisan ini, pengakuan emosi "nyata" dari sinyal !! adalah diselidiki sejak manusia bisa mengendalikan ekspresi wajah mereka atau intonasi %okal. erikut topik yang diambil dari latar belakang neurologis dan deskripsi singkat diikuti dengan masing-masing dari mereka yang cukup untuk proyek ini: a# !lectroencephalography !lectroencephalography he electroencephalogram electroencephalogram !!# adalah ukuran ukuran otak gelombang dan digunakan dalam e%aluasi gangguan otak. !! sinyal adalah efek dari superimposisi beragam proses yang terjadi pada suatu titik waktu di otak. Saya t menggunakan akti%itas listrik neuron dalam otak. )etika )etika neuron yang aktif, mereka menghasilkan listrik potensial. )ombinasi potensial listrik ini kelompok kelompok neuron dapat diukur luar tengkorak, yang dilakukan dilakukan dengan !!. euron otak menghasilkan bersama-sama sinyal berirama yang selalu hadir. Sinyal ini dapat dibagi menjadi beberapa band, berdasarkan frekuensi:
i. Delta and: he delta and adalah band frekuensi hingga /01. )egiatan Delta terutama terlihat di dalam tidur. ii. heta and: he theta and terdiri dari frekuensi antara 201 dan 304. kegiatan kegiatan ini dapat diamati dengan mengantuk atau meditasi. aku aku aku. Alpha and: he alpha band yang disebut 5dasar ritme 6dan berisi frekuensi antara 701 dan *801. 0al ini terlihat ketika orang terjaga, dan dikenal lebih jelas ketika mata dibuka. i%. and beta: he beta and berisi frekuensi antara */01 dan /901. and ini jelas dengan berpikir aktif atau konsentrasi *;.
b) Emosi !mosi merupakan aspek penting dalam interaksi dan komunikasi komunikasi antara orang. &eskipun emosi intuitif diketahui semua orang, sulit untuk menentukan emosi.
mediasi antara stimulus dan respon 8;. Dalam tulisan ini emosi dianggap sebagai "he perubahan tubuh ikuti langsung persepsi fakta menarik, dan bahwa kami merasa perubahan karena mereka terjadi adalah emosi ". ". !mosi yang ditentukan oleh posisi mereka di dua dimensi yang ruang yang direntang oleh dua sumbu, %alensi a>is dan gairah sumbu. (alensi (alensi a>is mewakili kualitas emosi mulai dari tidak menyenangkan un tuk menyenangkan. airah sumbu mengacu pada tingkat akti%asi kuantitatif mulai dari tenang untuk menggairahkan /;. he berbeda emosional label dapat diplot pada berbagai posisi di pesawat 8D direntang oleh dua sumbu tersebut. Ada beberapa jenis emosi seperti sukacita, bahagia, takut, marah, jijik, menggoda dan kejutan yang dapat digunakan sebagai antarmuka antara manusia-mesin melalui komputer. komputer. ?ntuk membangkitkan emosi, rangsangan yang berbeda dapat digunakan: %isual, pendengaran, dan @ atau gabungan. &ereka mengaktifkan berbagai wilayah otak yang pada gilirannya menghasilkan emosi yang berbeda. !mosi adalah satu set kompleks interaksi yang dimediasi oleh sistem hormonal @ saraf, yang dapat: i. &enimbulkan pengalaman afektif seperti perasaan gairah, kesenangan atau ketidaksenangan ketidaksenangan ii. &enghasilkan proses kognitif seperti efek persepsi emosional yang rele%an,
penilaian, proses pelabelan aku aku aku. &enyebabkan perilaku perilaku yang sering, namun tidak selalu, ekspresif, tujuan diarahkan, dan adaptif.
2. Latar Belakang Untuk penggunaan praktis dari BCI dan aplikasinya, ketidaknyamanan dan biaya menempatkan banyak elektroda dan mendapatkan sambungan dengan komputer mengatur harus minimal. Oleh karena itu, untuk setiap interaksi manusia komputer, akurasi interpretasi harus dimaksimalkan dengan sedikitnya jumlah elektroda. Emotif EE memiliki kombinasi yang layak elektroda dan akurasi sehingga dapat digunakan untuk proyek tersebut. !enelitian psiko"fisiologis menunjukkan ada hubungan langsung antara jumlah tindakan di lobus frontal kiri dan lobus frontal kanan dan emosi yang dihasilkan. #ebuah kiri lebih aktif daerah frontal menunjukkan reaksi positif, dan lebih aktif lobus anterior efek negatif yang tepat $%&. 'al ini menunjukkan potensi besar untuk klasifikasi emosi EE berbasis, tetapi hanya dapat berbeda antara bahagia dan tidak bahagia kehendak sering tidak memberikan rin(ian yang (ukup untuk banyak berguna untuk interaksi manusia"komputer. Oleh karena itu perlu juga menurunkan suatu metode yang (o(ok untuk me)akili dan mengklasifikasikan emosi. *. !ekerjaan +erkait +erkait alam beberapa tahun terakhir, sejumlah proyek penelitian telah dilakukan di bidang antarmuka komputer otak. -ark essel essel memiliki mulai penelitian BCI dengan membangun meja kerja untuk melakukan dan rekaman menganalisis akti/itas otak EE $0&. 1ulfikar harma)an melanjutkan penelitian ini dan menyelidiki orang tingkat stres saat bermain game komputer $&. 3da peningkatan jumlah penelitian yang dilakukan pada EEbased deteksi emosi4 a5 alam $6&, dilaporkan bah)a emosi yang diinduksi di 2 subyek 7oleh potongan musik pra"yang dinilai untuk mengumpulkan EE ata. +ingkat akurasi klasifikasi 89: diterima membedakan empat jenis emosi4 suka(ita, kemarahan, kesedihan dan kesenangan kemudian )aktu singkat ;ourier +ransform digunakan untuk menghitung daya perbedaan antara <2 elektroda simetris berpasangan dengan gelombang EE yang berbeda untuk ekstraksi fitur dan #upport =e(tor -a(hine >#=-5 pendekatan dipekerjakan untuk mengklasifikasikan data ke dalam mode emosi yang berbeda. 'asilnya adalah 89,62: akurat untuk membedakan perasaan suka(ita, kesedihan, kemarahan dan kesenangan. b5 #=- diaplikasikan di $?& untuk klasifikasi emosi emosi dengan
akurasi untuk /alensi dan gairah identifikasi sebagai *2: dan *6: masing"masing. (5 alam $8&, optimasi seperti ukuran jendela yang berbeda, band"pass filter, normalisasi normalisasi pendekatan dan metode pengurangan dimensi diselidiki, dan men(apai peningkatan akurasi dari *,*: menjadi 2,96: oleh #=- setelah menerapkan optimasi ini. +iga negara emosi4 menyenangkan, netral, dan tidak menyenan gkan dibedakan. d5 engan menggunak menggunakan an @ele/an =e(tor =e(tor -a(hine, diferensiasi antara bahagia dan santai, santai dan sedih, bahagia dan sedih dengan tingkat kinerja sekitar 89: diperoleh di $<9&. -eskipun jumlah penelitian yang dilakukan pada berbasis EE emosi algoritma deteksi dalam beberapa tahun terakhir telah meningkat, EEbased deteksi emosi masih daerah baru penelitian. +he efekti/itas dan efisiensi algoritma ini, bagaimanapun, agak terbatas. #ur/ei baru"baru ini di daerah $<<, <2, <*& memberikan dalam tinjauan mendalam dari banyak penelitian yang dilakukan di EE deteksi emosi berdasarkan. %. -ayor +antangan +antangan Beberapa masalah yang belum terpe(ahkan dalam algoritma dan pendekatan saat ini terdaftar sebagai berikut4 a5 kendala )aktu. a aktu ktu kinerja terdiri dari )aktu ekstraksi fitur dan )aktu )a ktu klasifikasi. Aumlah elektroda yang digunakan dalam deteksi emosi menempatkan lain )aktu membatasi pada algoritma. #ebagai 'asilnya, untuk pengetahuan terbaik kami, sebagian besar algoritma diusulkan untuk off"line emosi pengakuan. b5 3kurasi. 3kurasi. eakuratan emosi berbasis EE deteksi masih perlu ditingkatkan. 3kurasi menurun ketika lebih emosi yang diperlukan untuk menjadi diakui. (5 Aumlah elektroda. ari perspektif dari )aktu untuk mengatur perangkat EE, tingkat kenyamanan pengguna yang memakai perangkat dan jumlah fitur untuk proses, jumlah elektroda harus dikurangi. amun, sebagian besar karya saat ini masih memerlukan jumlah yang relatif besar dari elektroda. d5 Aumlah emosi diakui. -eskipun ada yang /arietas kondisi emosional untuk menggambarkan manusia perasaan, sampai sekarang hanya jenis terbatas emosi bisa diakui dengan menggunakan EE. inerja terbaik diperoleh dilaporkan dalam $<%& di mana * saluran yang akurasi digunakan dan ?*,**: di(apai untuk
membedakan emosi. e5 !atokan EE database afektif. #ejauh ini, sangat Beberapa database EE ben(hmark dengan emosi berlabel tersedia. EE database afektif dengan berbeda rangsangan seperti /isual dan audio yang diperlukan untuk mengatur untuk penelitian masa depan. 0. -etodologi !enelitian #inyal EE adalah sumber yang kaya informasi tentang otak akti/itas. amun, karena akti/itas otak menghasilkan sangat lemah sinyal dan sinyal EE mengandung banyak kebisingan latar belakang Oleh karena itu sebelum menggunakan sinyal untuk mendeteksi emosi, mereka harus prepro(essed, dalam rangka untuk menghapus suara yang tidak diinginkan. +he informasi dalam sinyal EE juga men(akup informasi tentang emosi. !rogram kami memiliki untuk mengekstrak informasi yang berharga dari sejumlah besar data. Untuk tugas ini, sistem akan pertama mengurangi jumlah data yang tersedia. !roses ini dikenal sebagai ekstraksi fitur dan ekstrak tindakan yang berguna ditentukan untuk tugas kami. ;itur"fitur ini harus berisi informasi yang (ukup tentang emosi. #etelah mengurangi ukuran data, emosi harus dideteksi dari fitur. Untuk Untuk tujuan ini 3rtifi(ial eural et)ork akan digunakan untuk mengklasifikasikan sebuah EE diberikan sinyal ke sejumlah kelas emosional. -engikuti proses yang terlibat dalam deteksi emosi sukses4 3. -engukur EE Untuk melakukan pengukuran, peralatan berikut harus digunakan4 a5 Emoti/e EE4 !engukuran EE adalah salah satu yang paling menantang tugas dalam deteksi emosi. arena sinyal juga mengandung sejumlah besar sinyal yang tidak diinginkan Oleh karena itu pera)atan harus diambil untuk EE yang tepat perekaman. Untuk tujuan ini kita akan menggunakan Emotif EE, headset pengukuran EE yang datang di ba)ah merek dagang dari Emoti/ $<0&. ini dipertimbangkan untuk penelitian karena biaya efektifitas dan kemampuannya untuk menyaring beberapa suara dari sinyal yang berguna. b5 EE gel4 3gar elektroda EE berfungsi benar, kita harus memastikan memastikan bah)a elektroda terhubung ke kepala. 'al ini dilakukan dengan menempatkan beberapa gel melakukan antara elektroda dan kulit. EE headset terhubung ke komputer dan kemudian headset ditempatkan pada kepala pengguna. Untuk menghindari sebagian besar
artefak, peserta akan diminta untuk duduk di kursi yang nyaman di mana dia tidak perlu memindahkan setiap otot selama pengukuran EE. 3khirnya EE sinyal yang direkam dan kemudian diteruskan ke tahap prepro(essing. B. !repro(essing4 !repro(essing merupakan langkah untuk memproses sinyal EE mentah dalam seperti (ara bah)a mereka siap untuk digunakan. iukur EE sinyal adalah kombinasi dari akti/itas otak, akti/itas referensi dan kebisingan. +ujuan dari langkah prepro(essing adalah untuk merekonstruksi akti/itas otak asli. Berikut adalah dipertimbangkan dalam prepro(essing4 a5 &engacu: Sinyal !! adalah rekaman tegangan pada elektroda yang berbeda. +dealnya, pengukuran ini seharusnya hanya mewakili akti%itas listrik pada itu spot. amun, karena tegangan adalah ukuran relatif, pengukuran dibandingkan dengan tegangan pada situs referensi. Sayangnya, hasil ini dalam pengukuran yang mencerminkan akti%itas lokal, dan juga akti%itas di situs referensi. referensi. )arena )arena ini, referensi harus dipilih sedemikian rupa sehingga akti%itas di situs referensi hampir nol. he hidung, telinga dan mastoids biasanya digunakan *B;. b# )ebisingan dan artefak: Akti%itas listrik yang dihasilkan oleh otak di urutan beberapa micro%olts. +ni biasanya berisi banyak suara. Sumber kebisingan kebisingan listrik statis atau medan elektromagnetik yang dihasilkan oleh sekitar perangkat. Selain itu, sinyal !! adalah sebagian kali banyak dipengaruhi oleh artefak yang berasal dari gerakan tubuh. &isalnya, mata berkedip atau gerakan mata lainnya memproduksi besar paku dalam sinyal !!. erakan otot lain juga berbekas pada pada sinyal otak. and pass 'lter diterapkan untuk menghapus frekuensi di bawah 801 dan 2901 di atas.
tak menghasilkan irama selalu hadir. hadir. he akti%itas di pita frekuensi yang berbeda dalam irama ini b5 3kti/itas di pita frekuensi yang berbeda dalam ritme ini mengungkapkan informasi tentang akti/itas otak. +he kegiatan dalam pita frekuensi itu diungkapkan kekuatan pita frekuensi. b5 !un(ak frekuensi di pita alpha ;rekuensi pun(ak dalam band alpha bisa membedakan antara emosi. !un(ak ini frekuensi memiliki ke(enderungan untuk meningkat dengan suka(ita dan kemarahan dan menurun untuk kesedihan dan ketakutan. (5 parameter 'jorth 'jorth $<6& telah dijelaskan tiga parameter yang (iri sinyal EE dalam hal amplitudo, skala )aktu dan kompleksitas. !arameter yang diukur dalam domain )aktu, yang bertentangan dengan fitur lainnya, yang diukur dalam domain frekuensi. +elah terbukti bah)a parameter mampu membedakan antara kondisi mental yang berbeda $&. !arameter adalah4 i. egiatan !arameter pertama adalah akti/itas. ak ti/itas. #aya t adalah ukuran kekuatan rata"rata dari sinyal. 'al ini diukur sebagai standar penyimpangan. h< D F 2 ii. -obilitas !arameter kedua, disebut mobilitas, me)akili frekuensi rata"rata dalam sinyal. -obilitas dapat dihitung sebagai rasio standar de/iasi lereng dan standar de/iasi amplitudo. h2 D d G F aku aku aku. ompleksitas !arameter terakhir, kompleksitas, men(oba untuk menangkap penyimpangan dari HlembutH kur/a mungkin, sinus gelombang. 'al ini dinyatakan sebagai sebaga i jumlah lereng standar benar"benar melihat di sinyal selama rata"rata )aktu yang dibutuhkan untuk satu amplitudo standar, seperti yang diberikan oleh mobilitas. h* D >dd G d5 G >d G F5 D dd G F mana F adalah standar de/iasi dari EE sinyal, d adalah standar de/iasi dari pertama turunan dari sinyal EE dan dd adalah standar de/iasi turunan kedua dari EE sinyal.
. lasifikasi #etelah mengekstrak fitur yang diinginkan, Emosi masih menjadi menemukan. !roses ini akan dilakukan oleh (lassifier a. #EBU3' (lassifier adalah sistem yang membagi beberapa data ke berbeda kelas, dan mampu mempelajari hubungan antara 'tur dan emosi yang dimiliki bagian dari !! sinyal. eural etwork akan digunakan sebagai classi'er karena kemampuan untuk belajar data yang kompleks. a# Earingan Syaraf iruan Arti'cial# jaringan saraf A atau # berasal dari keinginan untuk meniru otak manusia dalam komputer. ES dapat dilihat sebagai model disederhanakan otak manusia dan juga terdiri dari beberapa neuron, di mana beberapa neuron yang terhubung. Dengan semua neuron bersama-sama, sebuah ES mencoba untuk belajar hubungan antara input dan output, tanpa memiliki pengetahuan tentang model yang mendasari. euron juga disebut sebagai elemen pengolahan, karena mereka memproses masukan yang diberikan untuk itu, menggabungkan semua nilai-nilai dan menghasilkan satu nilai output. A biasanya diselenggarakan diselenggarakan di beberapa lapisan. Satu lapisan input dan satu lapisan output selalu hadir, tetapi satu atau lebih lapisan tersembunyi dapat ditambahkan. euron dari satu lapisan yang terhubung ke neuron pada lapisan berikutnya, memberikan output sebagai masukan u ntuk neuron lapisan berikutnya. +nput ke lapisan input data asli harus diklasi'kasikan, dalam hal ini 'tur nilai-nilai. utput dari lapisan output adalah nilai-nilai pada gairah dan %alensi skala. =ang =ang paling banyak digunakan Algoritma pelatihan adalah Algoritma $ropagasi )embali. +ni &etode menggunakan perbedaan antara output dari A dan output yang diharapkan untuk mengubah bobot w untuk semua neuron pada lapisan output. $roses ini diulang untuk lapisan lain dalam jaringan. iasanya, proses di neuron akan terlihat seperti y ># F f s >## dimana s ># adalah kombinasi linear dari input > dengan bobot w dan bias b: s ># F Gwi>i H b B. 0asil Setelah sinyal !! ditangkap dan prosedur di atas adalah diterapkan kepada kepada mereka, sistem harus menghasilkan yang sesuai emosi yang sesuai dengan berbagai 'tur yang diekstrak dari sinyal. 3. Aplikasi Aplikasi yang mungkin untuk sebuah antarmuka seperti bisa: untuk menjembatani kesenjangan komunikasi komunikasi antara generasi yang berbeda dari orang misalnya termasuk anak-anak dan orang tua#, un tuk memfasilitasi pasien lumpuh dengan teknik untuk berinteraksi,
instant messaging, chat room, game online *I;, untuk mengembangkan bentuk usaha dan alami sistem komunikasi. 7. &asa Depan Jingkup $royek ini akan dikembangkan mengingat lingkup masa depan dan menggunakan. Dengan beberapa kemajuan, dapat digunakan untuk mengidenti'kasi alasan yang benar untuk emosi tertentu dari manusia. +tu bisa juga dapat digunakan digunakan untuk mengidenti'kasi maksud maksud dari tersangka. he ultimate ujuan ujuan dari pengembangan proyek proyek ini adalah untuk membangun sistem hybrid dimana Sinyal %okal, wajah dan psikologis digabungkan bersama-sama untuk akurasi yang lebih baik dalam mendeteksi emosi. I. alam tulisan ini, sebuah studi rin(i tentang EE berbasis deteksi emosi disajikan. #tudi konseptual menunjukkan bah)a itu adalah layak untuk mengidentifikasi emosi dasar manusia. #inyal EE akan digunakan untuk deteksi emosi karena ini adalah non"in/asif, murah dan hasil langsung dari akti/itas listrik di dalam otak. +he informasi berharga terletak di antara frekuensi 2' untuk %9'. 'al ini dapat di(apai dengan band pass filter. Berbagai parameter yang yang akan digunakan untuk menilai fitur untuk emosi yang efektif klasifikasi dan deteksi. 3rtifi(ial eural et)ork dapat digunakan untuk klasifikasi karena kemampuannya untuk mengklasifikasikan fitur yang kompleks juga. #istem ini dapat digunakan untuk berbagai tujuan. Beberapa yang utama adalah4 untuk menjembatani kesenjangan komunikasi antara generasi yang berbeda dari orang, untuk memfasilitasi pasien lumpuh dengan teknik untuk berinteraksi, instant messaging, (hat room, game online $& dan untuk mengembangkan bentuk usaha dan alami sistem komunikasi. !royek ini memiliki (akupan yang sangat luas dan kemajuan dalam hal ini -odel dapat menyebabkan model BCI yang lebih akurat yang dapat memiliki sejumlah besar aplikasi. UC3!3 +E@I-3 3#I' ami akan dengan ini mengambil kesempatan untuk mengu(apkan terima kasih kepada Bu kami dihormati Ibu iksha ani, 3sisten !rofesor, epartemen Ilmu omputer, +eknik +eknik Inderprastha !erguruan tinggi yang membantu kita untuk menyelesaikan tugas ini. ami menempatkan pada (atatan Internasional iet Aournal of #oft)are dan omunikasi >IA#C+5 =olume olume <, Issue <, pp4 pp 4 20"*9, 3pril 29<* *9 J ! a g e terima kasih yang tulus kami, penghargaan dan terima kasih untuk yang tajam bunga dalam memberikan kita bimbingan dan berharga komentar