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,
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
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
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
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