کمی سازی سیگنالهای مغزی به منظور ارزیابی استرس هیجانی با استفاده از ویژگیهای غیرخطی و طیفهای مرتبۀ بالا

سال انتشار: 1388
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 2,564

فایل این مقاله در 11 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

ICBME16_020

تاریخ نمایه سازی: 11 تیر 1388

چکیده مقاله:

در این تحقیق از سیگنالهای مغزی که در فعالیتهای شناختی مورد توجه خاصی هستند، برای تشخیص استرس هیجانی استفاده شده است . بنابراین با طراحی آزمایش مناسب به دنبال ایجاد استرس کوتاه مدت در فرد بوده ایم و آزمایش طوری طراحی شده است تا از خستگی های ذهنی جلوگیری شود. برای ایجاد استرس هیجانی، از زیرمجموعه ای از تصاویر IAPS مرتبط با دو حالت از فضای تحریک هیجانی، شامل تحریک منفی و آرامش (خنثی) استفاده شده است. سیگنالهای مغزی در 6 کانال به نامهای O2,O1,T4,T3,FP2,FP1 ثبت شده است. با استفاده از طیفهای مرتبۀ بالا و مقادیر ویژگیهای استخراجی از آزمون Himich و بعد فرکتال به روش پتروشن، بعد همبستگی و نمای لیاپانوف از سیگنال EEG ویژگیهای استخراج گردیده، سپس به کمک الگوریتم ژنتیک ویژگیهای بهینه و تاثیرگذار انتخاب و یا اعمال آن به طبقه کننده های SVM,Elman، دو وضعیت استرس هیجانی به ترتیب با درصد صحت تفکیک 3/78و1/72 از یکدیگر تفکیک شدند. با مقایسۀ بین دو طبقه بندی کننده مشاهده می شود، SVM به دلیل قدرت تعمیم خوب، بهتر توانسته داده ها را از یکدیگر تفکیک کند. نتایج نشان میدهد، ویژگیهای استخراجی از طیفهای مرتبۀ بالا، بعد فرکتال، بعد همبستگی و نمای لیاپانوف، بازنمایی خوبی از رفتار مغز را در حالت استرس هیجانی دارد. و نتایج حاصله از این تحقیق بهبود حدود 5 درصد در نتایج را داشته است.

نویسندگان

سیدعابد حسینی

دانشجوی کارشناسی ارشد مهندسی پزشکی دانشگاه آزاد اسلامی واحد مشهد

محمدعلی خلیل زاده

استادیار گروه مهندسی پزشکی دانشگاه آزاد اسلامی واحد مشهد

مهدی آذرنوش

دانشجوی دکترای مهندسی پزشکی دانشگاه آزاد اسلامی واحد علوم و تحقیقات ت

سیدمهران همام

استادیار بالینی دانشکده پزشکی دانشگاه آزاد اسلامی واحد مشهد

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • _ Comparing Selected C lفssification, 2005. ...
  • سیدعابد حسینی، محمدعلی خلیل‌زاده، "ارزیابی کیفی و کمی سیگنال EEG ...
  • S.R. Jang, et aل, "Neuro-buzzy and s ofComputing", Prenice Hall, ...
  • سیدعابد حسینی؛ محمدباقر نقیبی‌سیستانی، سعید راحنی قوجانی، "تجزیه و تحلیل ...
  • R. Esteller, G. Vachtsevaros, J. Echauz "A Comparison of Wavef6mm ...
  • J. Elman, "Finding Structure in Time", Cogمitive Science 14, pp. ...
  • Farken RE, "Human Motivation", Pacific Grove, Brooks/Cole, 1998. ...
  • Healey J, Seger J _ Picard RW, "Quantifying Driver Stess: ...
  • Shama T, Bhardwaj S and Maringarti HB, "Emoti6 Bstimation using ...
  • Cacioppo JT, Tassinary LG and Bermtson GG, *Harndbook of Psyc ...
  • Kim KH, Bang SW and Kim SR, "Emotion Recogminion System ...
  • Recogmiion from Bio-Potential Signals", In ...
  • nd I9terational Conference _ Autonomous Robots and Agents, pp. 186-191, ...
  • _ G and et al, "Emotion Assessment: Arousal Evaluatioh Using ...
  • P.J. Lang, M.M. Bradley, B.N. Cuthbert, _ nternational affective Picture ...
  • S. Borovkov, «Estimation and Predictio for nonlinear Time Series", Chapter ...
  • E.N. Bruce, "Biomedical Signal Processing ard Sigmal Modelling", Wiley Seres ...
  • A. Swami, J.M. Mendel, C.L. Nikias, "Higher- Order Spectral Aralysis ...
  • H. Demuth, M. Beale, "Neura] Network Toobox For Use _ ...
  • Savran A and et al, "Emotion Detection in the Loop ...
  • H. Y ang, Y. Warg, Ch.. Wang, H.M. Tai, "Correlatiom ...
  • X. Huang, W. Wang, X. Sun, Y. Chen, L. Li, ...
  • نمایش کامل مراجع