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 dari
teks, pidato, ekspresi wajah atau gerakan. Dalam tulisan ini, fokus
adalah pada deteksi "nyata" emosi dari electroencephalogram
Sinyal (EEG). Pengukuran EEG adalah non-invasif dan
murah, memiliki sensitivitas yang sangat tinggi untuk menerima informasi
tentang perubahan internal negara otak, dan menawarkan sangat tinggi
resolusi waktu di kisaran milidetik. Sistem ini berasal sebuah
Mekanisme real-time dari kuantifikasi emosi dasar menggunakan
Model emosi gairah-Valence.
Kata kunci:
1. Perkenalan
Secara tradisional, teknologi EEG berbasis digunakan hanya dalam
aplikasi medis seperti epilepsi dan kejang. Saat ini, baru
headset nirkabel yang portabel, harga yang efektif dan mudah untuk
Penggunaan yang tersedia di pasar. Ini memperluas kemungkinan untuk
menyebar teknologi untuk bidang-bidang seperti hiburan, elearning,
dunia maya, dll deteksi emosi otomatis dari
Sinyal EEG menerima lebih banyak perhatian dengan perkembangan
bentuk-bentuk baru interaksi manusia-komputer dengan media digital.
Tujuannya adalah untuk melakukan real-time klasifikasi emosi menggunakan
algoritma pembelajaran mesin otomatis. Dalam tulisan ini,
pengakuan emosi "nyata" dari sinyal EEG adalah
diselidiki sejak manusia bisa mengendalikan ekspresi wajah mereka
atau intonasi vokal.
Berikut topik yang diambil dari latar belakang neurologis
dan deskripsi singkat diikuti dengan masing-masing dari mereka yang
cukup untuk proyek ini:
a) Electroencephalography
The electroencephalogram (EEG) adalah ukuran otak
gelombang dan digunakan dalam evaluasi gangguan otak. EEG
sinyal adalah efek dari superimposisi beragam
proses yang terjadi pada suatu titik waktu di otak. Saya t
menggunakan aktivitas listrik neuron dalam otak.
Ketika neuron yang aktif, mereka menghasilkan listrik
potensial. Kombinasi potensial listrik ini
kelompok neuron dapat diukur luar tengkorak, yang
dilakukan dengan EEG.
Neuron otak menghasilkan bersama-sama sinyal berirama
yang selalu hadir. Sinyal ini dapat dibagi menjadi
beberapa band, berdasarkan frekuensi:

i. Delta Band: The delta Band adalah band frekuensi

hingga 3Hz. Kegiatan Delta terutama terlihat di dalam
tidur.
ii. Theta Band: The theta Band terdiri dari
frekuensi antara 4Hz dan 7HZ. kegiatan ini
dapat diamati dengan mengantuk atau meditasi.
aku aku aku. Alpha Band: The alpha band yang disebut `dasar
ritme 'dan berisi frekuensi antara 8Hz
dan 12Hz. Hal ini terlihat ketika orang terjaga, dan
dikenal lebih jelas ketika mata dibuka.
iv. Band beta: The beta Band berisi frekuensi
antara 13Hz dan 30Hz. Band ini jelas
dengan berpikir aktif atau konsentrasi [1].

b) Emosi
Emosi merupakan aspek penting dalam interaksi dan
komunikasi antara orang. Meskipun emosi
intuitif diketahui semua orang, sulit untuk menentukan emosi.
Filsuf Yunani Aristoteles berpikir emosi sebagai
stimulus yang mengevaluasi pengalaman berdasarkan potensi
untuk keuntungan atau kesenangan. Descartes dianggap emosi untuk
mediasi antara stimulus dan respon [2]. Dalam tulisan ini
emosi dianggap sebagai "The perubahan tubuh ikuti
langsung persepsi fakta menarik, dan bahwa kami
merasa perubahan karena mereka terjadi adalah emosi ".
Emosi yang ditentukan oleh posisi mereka di dua dimensi yang
ruang yang direntang oleh dua sumbu, valensi
axis dan gairah sumbu. Valensi axis mewakili
kualitas emosi mulai dari tidak menyenangkan untuk menyenangkan.
Gairah sumbu mengacu pada tingkat aktivasi kuantitatif
mulai dari tenang untuk menggairahkan [3]. The berbeda emosional
label dapat diplot pada berbagai posisi di pesawat 2D
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. Untuk
membangkitkan emosi, rangsangan yang berbeda dapat digunakan: visual,
pendengaran, dan / atau gabungan. Mereka mengaktifkan berbagai wilayah
otak yang pada gilirannya menghasilkan emosi yang berbeda.
Emosi adalah satu set kompleks interaksi yang dimediasi oleh
sistem hormonal / saraf, yang dapat:
i. Menimbulkan pengalaman afektif seperti
perasaan gairah, kesenangan atau ketidaksenangan;
ii. Menghasilkan proses kognitif seperti
efek persepsi emosional yang relevan,

penilaian, proses pelabelan;

aku aku aku. Menyebabkan 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 EEG memiliki kombinasi yang layak elektroda dan
akurasi sehingga dapat digunakan untuk proyek tersebut.
Penelitian psiko-fisiologis menunjukkan ada hubungan langsung
antara jumlah tindakan di lobus frontal kiri dan
lobus frontal kanan dan emosi yang dihasilkan. Sebuah kiri lebih aktif
daerah frontal menunjukkan reaksi positif, dan lebih aktif
lobus anterior efek negatif yang tepat [4].
Hal ini menunjukkan potensi besar untuk klasifikasi emosi EEG berbasis,
tetapi hanya dapat berbeda antara bahagia dan tidak bahagia kehendak
sering tidak memberikan rincian yang cukup untuk banyak berguna untuk
interaksi manusia-komputer. Oleh karena itu perlu juga
menurunkan suatu metode yang cocok untuk mewakili dan mengklasifikasikan
emosi.
3. Pekerjaan Terkait
Dalam beberapa tahun terakhir, sejumlah proyek penelitian telah
dilakukan di bidang antarmuka komputer otak. Mark Wessel memiliki
mulai penelitian BCI dengan membangun meja kerja untuk melakukan
dan rekaman menganalisis aktivitas otak EEG [5]. Zulfikar
Dharmawan melanjutkan penelitian ini dan menyelidiki orang
tingkat stres saat bermain game komputer [6].
Ada peningkatan jumlah penelitian yang dilakukan pada EEGbased
deteksi emosi:
a) Dalam [7], dilaporkan bahwa emosi yang diinduksi di 26
subyek 'oleh potongan musik pra-yang dinilai untuk mengumpulkan EEG
Data. Tingkat akurasi klasifikasi 90% diterima
membedakan empat jenis emosi: sukacita, kemarahan,
kesedihan dan kesenangan kemudian waktu singkat Fourier Transform
digunakan untuk menghitung daya perbedaan antara 12
elektroda simetris berpasangan dengan 6 gelombang EEG yang berbeda
untuk ekstraksi fitur dan Support Vector Machine
(SVM) pendekatan dipekerjakan untuk mengklasifikasikan data ke dalam
mode emosi yang berbeda. Hasilnya adalah 90,72%
akurat untuk membedakan perasaan sukacita, kesedihan,
kemarahan dan kesenangan.
b) SVM diaplikasikan di [8] untuk klasifikasi emosi dengan

akurasi untuk valensi dan gairah identifikasi sebagai

32% dan 37% masing-masing.
c) Dalam [9], optimasi seperti ukuran jendela yang berbeda,
band-pass filter, normalisasi pendekatan dan
metode pengurangan dimensi diselidiki,
dan mencapai peningkatan akurasi dari 36,3% menjadi
62,07% oleh SVM setelah menerapkan optimasi ini.
Tiga negara emosi: menyenangkan, netral, dan tidak menyenangkan
dibedakan.
d) Dengan menggunakan Relevan Vector Machine, diferensiasi
antara bahagia dan santai, santai dan sedih, bahagia dan
sedih dengan tingkat kinerja sekitar 90% diperoleh
di [10].
Meskipun jumlah penelitian yang dilakukan pada berbasis EEG emosi
algoritma deteksi dalam beberapa tahun terakhir telah meningkat, EEGbased
deteksi emosi masih daerah baru penelitian. The
efektivitas dan efisiensi algoritma ini, bagaimanapun,
agak terbatas. Survei baru-baru ini di daerah [11, 12, 13]
memberikan dalam tinjauan mendalam dari banyak penelitian yang dilakukan di EEG
deteksi emosi berdasarkan.
4. Mayor Tantangan
Beberapa masalah yang belum terpecahkan dalam algoritma dan pendekatan saat ini
terdaftar sebagai berikut:
a) kendala waktu. Waktu kinerja terdiri dari
waktu ekstraksi fitur dan waktu klasifikasi.
Jumlah elektroda yang digunakan dalam deteksi emosi
menempatkan lain waktu membatasi pada algoritma. Sebagai
Hasilnya, untuk pengetahuan terbaik kami, sebagian besar algoritma
diusulkan untuk off-line emosi pengakuan.
b) Akurasi. Keakuratan emosi berbasis EEG
deteksi masih perlu ditingkatkan. Akurasi
menurun ketika lebih emosi yang diperlukan untuk menjadi
diakui.
c) Jumlah elektroda. Dari perspektif dari
waktu untuk mengatur perangkat EEG, tingkat kenyamanan
pengguna yang memakai perangkat dan jumlah fitur untuk
proses, jumlah elektroda harus dikurangi.
Namun, sebagian besar karya saat ini masih memerlukan
jumlah yang relatif besar dari elektroda.
d) Jumlah emosi diakui. Meskipun ada
yang varietas kondisi emosional untuk menggambarkan manusia
perasaan, sampai sekarang hanya jenis terbatas emosi bisa
diakui dengan menggunakan EEG. Kinerja terbaik
diperoleh dilaporkan dalam [14] di mana 3 saluran yang
akurasi digunakan dan 83,33% dicapai untuk

membedakan 6 emosi.
e) Patokan EEG database afektif. Sejauh ini, sangat
Beberapa database EEG benchmark dengan emosi berlabel
tersedia. EEG database afektif dengan berbeda
rangsangan seperti visual dan audio yang diperlukan untuk mengatur
untuk penelitian masa depan.
5. Metodologi Penelitian
Sinyal EEG adalah sumber yang kaya informasi tentang otak
aktivitas. Namun, karena aktivitas otak menghasilkan sangat lemah
sinyal dan sinyal EEG mengandung banyak kebisingan latar belakang
Oleh karena itu sebelum menggunakan sinyal untuk mendeteksi emosi, mereka
harus preprocessed, dalam rangka untuk menghapus suara yang tidak diinginkan. The
informasi dalam sinyal EEG juga mencakup informasi tentang
emosi. Program kami memiliki untuk mengekstrak informasi yang berharga
dari sejumlah besar data. Untuk tugas ini, sistem akan pertama
mengurangi jumlah data yang tersedia. Proses ini dikenal sebagai
ekstraksi fitur dan ekstrak tindakan yang berguna ditentukan
untuk tugas kami. Fitur-fitur ini harus berisi informasi yang cukup
tentang emosi. Setelah mengurangi ukuran data,
emosi harus dideteksi dari fitur. Untuk tujuan ini
Artificial Neural Network akan digunakan untuk mengklasifikasikan sebuah EEG diberikan
sinyal ke sejumlah kelas emosional. Mengikuti
proses yang terlibat dalam deteksi emosi sukses:
A. Mengukur EEG
Untuk melakukan pengukuran, peralatan berikut harus
digunakan:
a) Emotive EEG:
Pengukuran EEG adalah salah satu yang paling menantang
tugas dalam deteksi emosi. Karena sinyal juga
mengandung sejumlah besar sinyal yang tidak diinginkan
Oleh karena itu perawatan harus diambil untuk EEG yang tepat
perekaman. Untuk tujuan ini kita akan menggunakan
Emotif EEG, headset pengukuran EEG yang
datang di bawah merek dagang dari Emotiv [15]. ini
dipertimbangkan untuk penelitian karena biaya
efektifitas dan kemampuannya untuk menyaring beberapa
suara dari sinyal yang berguna.
b) EEG gel:
Agar elektroda EEG berfungsi
benar, kita harus memastikan bahwa elektroda
terhubung ke kepala. Hal ini dilakukan dengan menempatkan
beberapa gel melakukan antara elektroda dan
kulit.
EEG 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 EEG. Akhirnya EEG
sinyal yang direkam dan kemudian diteruskan ke
tahap preprocessing.
B. Preprocessing:
Preprocessing merupakan langkah untuk memproses sinyal EEG mentah dalam seperti
cara bahwa mereka siap untuk digunakan. Diukur EEG
sinyal adalah kombinasi dari aktivitas otak, aktivitas referensi
dan kebisingan. Tujuan dari langkah preprocessing adalah untuk
merekonstruksi aktivitas otak asli. Berikut adalah
dipertimbangkan dalam preprocessing:
a) Mengacu:

Sinyal EEG adalah rekaman tegangan pada

elektroda yang berbeda. Idealnya, pengukuran ini
seharusnya hanya mewakili aktivitas listrik pada itu
spot. Namun, karena tegangan adalah ukuran relatif,
pengukuran dibandingkan dengan tegangan pada
situs referensi. Sayangnya, hasil ini dalam
pengukuran yang mencerminkan aktivitas lokal, dan
juga aktivitas di situs referensi. Karena
ini, referensi harus dipilih sedemikian rupa sehingga
aktivitas di situs referensi hampir nol. The
hidung, telinga dan mastoids biasanya digunakan [16].
b) Kebisingan dan artefak:
Aktivitas listrik yang dihasilkan oleh otak di
urutan beberapa microvolts. Ini biasanya berisi
banyak suara. Sumber kebisingan listrik statis
atau medan elektromagnetik yang dihasilkan oleh sekitar
perangkat. Selain itu, sinyal EEG adalah sebagian
kali banyak dipengaruhi oleh artefak yang
berasal dari gerakan tubuh. Misalnya, mata
berkedip atau gerakan mata lainnya memproduksi besar
paku dalam sinyal EEG. Gerakan otot lain
juga berbekas pada sinyal otak. Band
pass filter diterapkan untuk menghapus frekuensi di bawah
2Hz dan 40Hz di atas. Filter ini akan menghapus semua
suara frekuensi tinggi, dan juga menghilangkan sebagian besar
artefak.
C. ekstraksi Fitur
Ekstraksi fitur adalah proses penggalian berguna
informasi dari sinyal. Fitur adalah karakteristik dari
sinyal yang mampu membedakan antara yang berbeda
emosi. Misalnya, ketika mencoba untuk menilai kesehatan dari
orang, Anda dapat memeriksa berat badannya, tingkat detak jantung, darah
tekanan dll berikut fitur ini yang akan digunakan dalam
Penelitian didasarkan pada penelitian sebelumnya.
a) daya frekuensi EEG Band

Otak menghasilkan irama selalu hadir. The

aktivitas di pita frekuensi yang berbeda dalam irama ini

b) Aktivitas di pita frekuensi yang berbeda dalam ritme ini mengungkapkan informasi
tentang aktivitas otak. The
kegiatan dalam pita frekuensi itu diungkapkan
kekuatan pita frekuensi.
b) Puncak frekuensi di pita alpha
Frekuensi puncak dalam band alpha bisa
membedakan antara emosi. Puncak ini
frekuensi memiliki kecenderungan untuk meningkat dengan sukacita dan
kemarahan dan menurun untuk kesedihan dan ketakutan.
c) parameter Hjorth
Hjorth [17] telah dijelaskan tiga parameter yang
ciri sinyal EEG dalam hal amplitudo,
skala waktu dan kompleksitas. Parameter yang
diukur dalam domain waktu, yang bertentangan dengan
fitur lainnya, yang diukur dalam
domain frekuensi. Telah terbukti bahwa
parameter mampu membedakan antara
kondisi mental yang berbeda [18]. Parameter adalah:
i. Kegiatan Parameter pertama adalah aktivitas. Saya t
adalah ukuran kekuatan rata-rata dari
sinyal. Hal ini diukur sebagai standar
penyimpangan.
h1 = x
2
ii. Mobilitas Parameter kedua, disebut
mobilitas, mewakili frekuensi rata-rata
dalam sinyal. Mobilitas dapat
dihitung sebagai rasio standar
deviasi lereng dan standar
deviasi amplitudo.
h2 = d / x
aku aku aku. Kompleksitas Parameter terakhir,
kompleksitas, mencoba untuk menangkap penyimpangan
dari "lembut" kurva mungkin, sinus
gelombang. Hal ini dinyatakan sebagai jumlah
lereng standar benar-benar melihat di sinyal
selama rata-rata waktu yang dibutuhkan untuk satu
amplitudo standar, seperti yang diberikan oleh
mobilitas.
h3 = (dd / d) / (d / x) = dd / x
mana x adalah standar deviasi dari EEG
sinyal, d adalah standar deviasi dari pertama
turunan dari sinyal EEG dan dd adalah standar
deviasi turunan kedua dari EEG
sinyal.

D. Klasifikasi
Setelah mengekstrak fitur yang diinginkan, Emosi masih menjadi
menemukan. Proses ini akan dilakukan oleh classifier a. SEBUAH
classifier adalah sistem yang membagi beberapa data ke berbeda

kelas, dan mampu mempelajari hubungan antara

fitur dan emosi yang dimiliki bagian dari EEG
sinyal. Neural Network akan digunakan sebagai classifier karena
kemampuan untuk belajar data yang kompleks.
a) Jaringan Syaraf Tiruan
(Artificial) jaringan saraf (ANN atau NN) berasal
dari keinginan untuk meniru otak manusia dalam
komputer. JST 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 JST mencoba untuk belajar hubungan antara
input dan output, tanpa memiliki pengetahuan
tentang model yang mendasari. Neuron juga
disebut sebagai elemen pengolahan, karena mereka memproses
masukan yang diberikan untuk itu, menggabungkan semua nilai-nilai dan
menghasilkan satu
nilai output. ANN biasanya diselenggarakan di beberapa
lapisan. Satu lapisan input dan satu lapisan output selalu
hadir, tetapi satu atau lebih lapisan tersembunyi dapat ditambahkan.
Neuron dari satu lapisan yang terhubung ke
neuron pada lapisan berikutnya, memberikan output sebagai masukan untuk
neuron lapisan berikutnya. Input ke lapisan input
data asli harus diklasifikasikan, dalam hal ini fitur
nilai-nilai. Output dari lapisan output adalah nilai-nilai
pada gairah dan valensi skala. Yang paling banyak digunakan
Algoritma pelatihan adalah Algoritma Propagasi Kembali. Ini
Metode menggunakan perbedaan antara output dari
ANN dan output yang diharapkan untuk mengubah bobot w
untuk semua neuron pada lapisan output. Proses ini diulang
untuk lapisan lain dalam jaringan.
Biasanya, proses di neuron akan terlihat seperti
y (x) = f (s (x))
dimana s (x) adalah kombinasi linear dari input x dengan
bobot w dan bias b:
s (x) = wixi + b
6. Hasil
Setelah sinyal EEG ditangkap dan prosedur di atas adalah
diterapkan kepada mereka, sistem harus menghasilkan yang sesuai
emosi yang sesuai dengan berbagai fitur yang
diekstrak dari sinyal.
7. Aplikasi
Aplikasi yang mungkin untuk sebuah antarmuka seperti bisa: untuk
menjembatani
kesenjangan komunikasi antara generasi yang berbeda dari
orang (misalnya termasuk anak-anak dan orang tua), untuk
memfasilitasi pasien lumpuh dengan teknik untuk berinteraksi,

instant messaging, chat room, game online [19], untuk mengembangkan

bentuk usaha dan alami sistem komunikasi.
8. Masa Depan Lingkup
Proyek ini akan dikembangkan mengingat lingkup masa depan
dan menggunakan. Dengan beberapa kemajuan, dapat digunakan untuk
mengidentifikasi
alasan yang benar untuk emosi tertentu dari manusia. Itu bisa
juga dapat digunakan untuk mengidentifikasi maksud dari tersangka. The
ultimate
Tujuan dari pengembangan proyek ini adalah untuk membangun sistem
hybrid dimana
Sinyal vokal, wajah dan psikologis digabungkan bersama-sama untuk
akurasi yang lebih baik dalam mendeteksi emosi.
9.

Dalam tulisan ini, sebuah studi rinci tentang EEG berbasis deteksi emosi
disajikan. Studi konseptual menunjukkan bahwa itu adalah layak untuk
mengidentifikasi emosi dasar manusia. Sinyal EEG akan digunakan untuk
deteksi emosi karena ini adalah non-invasif, murah dan
hasil langsung dari aktivitas listrik di dalam otak. The
informasi berharga terletak di antara frekuensi 2Hz untuk 40Hz.
Hal ini dapat dicapai dengan band pass filter. Berbagai parameter yang
yang akan digunakan untuk menilai fitur untuk emosi yang efektif
klasifikasi dan deteksi. Artificial Neural Network dapat
digunakan untuk klasifikasi karena kemampuannya untuk mengklasifikasikan
fitur yang kompleks juga. Sistem ini dapat digunakan untuk berbagai
tujuan. Beberapa yang utama adalah: untuk menjembatani
kesenjangan komunikasi antara generasi yang berbeda dari
orang, untuk memfasilitasi pasien lumpuh dengan teknik untuk
berinteraksi, instant messaging, chat room, game online [18] dan untuk
mengembangkan bentuk usaha dan alami sistem komunikasi.
Proyek ini memiliki cakupan yang sangat luas dan kemajuan dalam hal ini
Model dapat menyebabkan model BCI yang lebih akurat yang dapat memiliki
sejumlah besar aplikasi.
UCAPAN TERIMA KASIH
Kami akan dengan ini mengambil kesempatan untuk mengucapkan terima kasih kepada
Bu kami dihormati Ibu Diksha Dani, Asisten Profesor,
Departemen Ilmu Komputer, Teknik Inderprastha
Perguruan tinggi yang membantu kita untuk menyelesaikan tugas ini. Kami
menempatkan pada catatan
Internasional Kiet Journal of Software dan Komunikasi (IKJSCT)
Volume 1, Issue 1, pp: 25-30, April 2013
30 | P a g e
terima kasih yang tulus kami, penghargaan dan terima kasih untuk yang tajam
bunga dalam memberikan kita bimbingan dan berharga komentar