Yıl: 2016 Cilt: 7 Sayı: 1 Sayfa Aralığı: 33 - 40 Metin Dili: Türkçe

Görsel-İşitsel Uyaranlar Kaynaklı Oluşan Duyguların EEG İşaretleri ile Sınıflandırılması

Öz:
Bu çalışmada, görsel-işitsel uyaranlar kaynaklı oluşan farklı duygu durumlarına ilişkin EEG işaretlerinin sınıflandırılması amaçlanmıştır. Katılımcıların duygu durumlarını belirlemek için kişisel değerlendirme modeli (SAM, Self Assessment Manikins) görselleri kullanılmıştır. Katılımcılar, kendilerine sunulan görselişitsel uyaranları değerlik, baskınlık, aktivasyon ve beğenme açısından değerlendirmişlerdir. Bu değerlendirmelere göre katılımcıların pozitif ve negatif duygu durumlarına ilişkin EEG işaretleri sınıflandırılmıştır. EEG işaretlerinden ayrık dalgacık dönüşümü (ADD) kullanılarak öznitelik çıkarımı yapılmıştır. ADD kullanılarak elde edilen öznitelik vektör boyutlarının azaltılması için istatistiksel işlemler uygulanmıştır. Sınıflandırıcı olarak ise yapay sinir ağları (YSA) uygulanmıştır. YSA ilk olarak kanal tespiti için kullanılmıştır. Böylelikle, en iyi sınıflandırma performansı sunan EEG kanalları tespit edilmiştir. Tespit edilen EEG kanallarının öznitelikleri birleştirilerek, nihai öznitelik vektörleri elde edilmiştir. Farklı duygu durumları için elde edilen nihai öznitelik vektörleri YSA ile sınıflandırılmıştır. Önerilen bütün işlemler, her katılımcı için ayrı bir şekilde uygulanmıştır. Sınıflandırma işlemi sonunda maksimum sınıflandırma doğruluğu %90 ve 20 katılımcı için ortalama sınıflandırma doğruluğu ise %76.25 olarak elde edildiği görülmüştür.
Anahtar Kelime:

Belge Türü: Makale Makale Türü: Araştırma Makalesi Erişim Türü: Erişime Açık
  • Adeli, H., Zhou, Z., Dadmehr, N., (2003). Analysis of EEG records in epileptic patient using wavelet transform, Journal of Neuroscience Methods, 123(1), 69-87.
  • Akçay, C., Çoruk, A., (2012). Çalışma Yaşamında Duygular ve Yönetimi: Kavramsal Bir İnceleme, Eğitimdepolitika Analizi Dergisi, l(l), 3-35.
  • Lee, G., Kwon, M., Sri, S. K., Lee, M. (2014). Emotion recognition based on 3D fuzzy visual and EEG features in movie clips. Neurocomputing, 144: 560-568.
  • Lin, Y. P., Wang, C. H., Jung, T. F., Wu, T. L., Jeng, S. K., Duann, J. R., Chen, J. H. (2010). EEGBased Emotion Recognition in Music Listening. IEEE Transaction on Biomedical Engineering, 57 (7): 1798-1806
  • Liu, Y., Sourina, O., Nguyan, M. K., (2011). Real time EEG based emotion reconition and its applications, In Transaction on Computational Science XII, 256-277.
  • Murugappan, M., Nagarajan, R., Yaacob, S., (2009). Appraising human emotions using time frequency analysis based EEG alpha band features, In Innovative Technologies in Intelligient Systems and Industrial Applications, CITISIA, 70-75.
  • Ocak, H., (2008). Optimal classification of epileptic seizures in EEG using wavelet analysis and genetic algorithm, Signal Processing, 88, 1858- 1867.
  • Orhan, U., Hekim, M., Ozer, M., (2011). EEG signals classification using the K-means clustering and multilayer perceptron neural network model, Expert Systems with Applications, 38, l3475-l348l.
  • Polat, H., and Ozerdem, M. S., (2015). Reflection emotions based on different stories onto EEG signal, Signal Processing and Communications Applications Conference (SIU), 2015 23th. IEEE, 2618-2618, Malatya.
  • Schaaff, K., Schultz, T. (2009). Toward Emotion Recognation from Electroencephalographic Signals. 3th İnternational Conference on Affective Computing and Intelligent Interaction and Workshop, 1-6, Netherlands.
  • Subaşı, A. and Erçelebi, E., (2005). Classification of EEG signals using neural network and logistic regression, Computer Methods and Programs in Biomedicine, 78, 87-99.
  • Subaşı, A., (2007). EEG signal classification using wavelet feature extraction and mixture of expert model, Expert Systems with Applications, 32, 1084-1093.
  • Uusberg, A., Thiruchselvam, R., Gross, J.. (2014). Using distraction to regulate emotion: Insights from EEG theta dynamics, International Journal ofPsychophysiology, 91, 254-260.
  • Wang, X. W., Nie, D., Lu, B. L., (2014). Emotional state classification from EEG data using machine learning approach, Neurocomputing, 129, 94- 106.
  • DEAP, (2012). Dataset for Emotion Analysis EEG Physiological and Video Signals. Erişim: [http://Www.eecs.qmul .ac.uk/mmV/dataset s/deap/index.html], (15.05.2015
APA POLAT H, ÖZERDEM M (2016). Görsel-İşitsel Uyaranlar Kaynaklı Oluşan Duyguların EEG İşaretleri ile Sınıflandırılması. Dicle Üniversitesi Mühendislik Fakültesi Mühendislik Dergisi, 7(1), 33 - 40.
Chicago POLAT HASAN,ÖZERDEM MEHMET SİRAÇ Görsel-İşitsel Uyaranlar Kaynaklı Oluşan Duyguların EEG İşaretleri ile Sınıflandırılması. Dicle Üniversitesi Mühendislik Fakültesi Mühendislik Dergisi 7, no.1 (2016): 33 - 40.
MLA POLAT HASAN,ÖZERDEM MEHMET SİRAÇ Görsel-İşitsel Uyaranlar Kaynaklı Oluşan Duyguların EEG İşaretleri ile Sınıflandırılması. Dicle Üniversitesi Mühendislik Fakültesi Mühendislik Dergisi, vol.7, no.1, 2016, ss.33 - 40.
AMA POLAT H,ÖZERDEM M Görsel-İşitsel Uyaranlar Kaynaklı Oluşan Duyguların EEG İşaretleri ile Sınıflandırılması. Dicle Üniversitesi Mühendislik Fakültesi Mühendislik Dergisi. 2016; 7(1): 33 - 40.
Vancouver POLAT H,ÖZERDEM M Görsel-İşitsel Uyaranlar Kaynaklı Oluşan Duyguların EEG İşaretleri ile Sınıflandırılması. Dicle Üniversitesi Mühendislik Fakültesi Mühendislik Dergisi. 2016; 7(1): 33 - 40.
IEEE POLAT H,ÖZERDEM M "Görsel-İşitsel Uyaranlar Kaynaklı Oluşan Duyguların EEG İşaretleri ile Sınıflandırılması." Dicle Üniversitesi Mühendislik Fakültesi Mühendislik Dergisi, 7, ss.33 - 40, 2016.
ISNAD POLAT, HASAN - ÖZERDEM, MEHMET SİRAÇ. "Görsel-İşitsel Uyaranlar Kaynaklı Oluşan Duyguların EEG İşaretleri ile Sınıflandırılması". Dicle Üniversitesi Mühendislik Fakültesi Mühendislik Dergisi 7/1 (2016), 33-40.