تعداد نشریات | 43 |
تعداد شمارهها | 1,677 |
تعداد مقالات | 13,681 |
تعداد مشاهده مقاله | 31,732,973 |
تعداد دریافت فایل اصل مقاله | 12,541,425 |
ارزیابی کمی کارایی سیگنالهای فیزیولوژیک در تشخیص هوشمند حالت هیجانی به منظور مراقبتهای بهداشتی و درمانی | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
هوش محاسباتی در مهندسی برق | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
مقاله 3، دوره 4، شماره 3، آذر 1392، صفحه 27-42 اصل مقاله (1.66 M) | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
نوع مقاله: مقاله پژوهشی فارسی | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
نویسندگان | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
مهران عمادی اندانی؛ محمدرضا یزدچی؛ بهروز مجردشفیعی* | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
دانشگاه اصفهان | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
چکیده | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
نظارت بر تغییرات حالت هیجانی میتواند در مراقبتهای بهداشتی و درمانی و تحقیقات بالینی مفید واقع شود. حالتهای هیجانی مختلف باعث ایجاد الگوهای متفاوت در سیگنالهای فیزیولوژیک میشوند. در نتیجه میتوان از این سیگنالها برای بازشناسی حالتهای هیجانی استفاده کرد. در این تحقیق با استفاده از قطعات فیلم استاندارد، هیجانهای شادی، خشم، ناراحتی و آرامش مطابق با چهار ربع فضای برانگیختگی و جاذبه بر روی 24 داوطلب سالم ایجاد میشوند. به صورت همزمان سیگنالهای فعالیت الکتریکی قلب، فعالیت الکتریکی ماهیچه، تنفسی و رسانایی پوست، ثبت میشوند. پس از پیشپردازشهای لازم شامل قطعهبندی، هموارسازی، هنجارسازی، حذف نویز و درستنماها و حذف رانش خط پایه، ویژگیهای متنوع در حوزه زمان و فرکانس از سیگنالها استخراج میشود. روشهای مختلف استخراج و انتخاب ویژگی برای استخراج و انتخاب مجموعه مناسبی از ویژگیها مورد مقایسه قرار گرفتهاند. در ادامه از چند طبقهبندی کننده متفاوت برای تشخیص حالتهای هیجانی از روی مجموعه ویژگیهای بهینه استفاده شده است. در نهایت کارایی سیگنالها در تشخیص هیجانها به صورت کیفی و کمی با یکدیگر مقایسه شده است. نتایج، نشاندهنده کارایی متفاوت هر نوع از سیگنالها در تشخیص هیجانهای مشخص است. همچنین نتایج نشان میدهند که طبقهبندی کننده منتخب با استفاده از مجموعه مناسبی از ویژگیهای منتخب قادر است در بیشتر از 70% موارد حالت هیجانی را بهطور صحیح تشخیص دهد. | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
کلیدواژهها | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
تشخیص حالتهای هیجانی؛ پردازش سیگنالهای فیزیولوژیک؛ تحلیل واریانس؛ جداکننده خطی فیشر؛ شبکه عصبی پرسپترون؛ ماشین بردار پشتیبان؛ درخت تصمیم؛ شبکه بیزین | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
اصل مقاله | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
بر این اصل استوار است که برای هر کمیتی یک توزیع احتمال وجود دارد که با مشاهده یک داده جدید و استدلال در مورد توزیع احتمال آن میتوان تصمیمات بهینهای اتخاذ کرد. شبکه بیزین تمام وابستگیهای شرطی بین ویژگیها را در نظر میگیرد. بیز ساده[i] یک الگوریتم یادگیری ساده و کاراست که با فرض استقلال شرطی و نادیده گرفتن وابستگی بین ویژگیها، باعث کاهش پیچیدگی میشود که در این تحقیق از روش بیز ساده استفاده میشود ]28[. ایده اصلی درخت تصمیم مبتنی بر این حقیقت است که هر ویژگی داده ورودی میتواند برای تصمیمگیری استفاده شود و دادهها به زیرمجموعههای کوچکتری تقسیم میشوند. این الگوریتم از بهره اطلاعات[ii] نرمال (مبتنی بر تفاوت آنتروپی) استفاده نموده، ویژگی با بالاترین بهره اطلاعاتی را برای تصمیمگیری انتخاب میکند. بر اساس آن دادههای ورودی به زیر مجموعههای کوچکتر تقسیم میشوند. در این تحقیق از نسخه J48 درخت تصمیم استفاده شده است که از شیوههایی برای هرس کردن درخت همراه با بهبود خطای دستهبندی و اجتناب از برازش بیش از حد استفاده میشود ]26[. هر کدام از این روشهای یادگیری نقاط قوت و ضعفی دارد. برای مثال، شبکه عصبی و SVM صحت طبقهبندی بالایی ایجاد میکنند و در برابر طبقهبندی نمونههایی با وابستگی بالا مقاوم هستند. در عوض، روشهای بیز و درخت تصمیم ویژگیهایی، همچون سرعت یادگیری و دستهبندی بالا، مقاومت در برابر فقدان داده و شفافیت توصیف دانش (درک آسان عملیات انجام گرفته توسط روش یادگیری) را دارند ]26[. هیچ االگوریتم یادگیری خاصی نیست که در تمام موارد بهتر از سایر الگوریتمها عمل کند. در نتیجه، در رویارویی با یک مسأله، سادهترین راه، انتخاب تعدادی از الگوریتمها بسته به نوع مسأله، تخمین کارایی آنها از جنبههای مختلف در حل مسأله و درنهایت انتخاب الگوریتم بهینه است ]26[.
1- نتایجدر ادامه، نتایج حاصل از اعمال روشهای کاهش ویژگی و دستهبندی (معرفی شده در بخش قبل) بر روی دادهها را ارزیابی میکنیم.
1-1- نتایج طبقهبندی با استفاده از ویژگیهای استخراج شده از هر نوع از سیگنالهادر ابتدا با استفاده از روش ANOVA، ویژگیهایی را که مقدار P-value آنها کمتر از 05/0 است، برای دستهبندی انتخاب میکنیم. در نهایت 17 ویژگی از سیگنال ECG، 12 ویژگی از سیگنال RSP، 2 ویژگی از سیگنال SCL و 5 ویژگی از سیگنال EMG انتخاب میگردد. بهمنظور مقایسه کیفی توانایی هر یک از چهار سیگنال در طبقهبندی چهار حالت هیجانی، چگونگی توزیع ویژگیهای هر یک از چهار سیگنال را نمایش میدهیم. بدین منظور، از روش FLDA برای نمایش توزیع ویژگیها در دو بعد استفاده شده است. شکل (8) تصویر ویژگیها در دو بعد و چگونگی توزیع ویژگیهای هر یک از چهار سیگنال ECG، RSP، SCL و EMG را به صورت کیفی نشان میدهد. شکل (8): چگونگی توزیع ویژگیهای هر یک از چهار سیگنال الف) ECG ب)RSP ج) SCL د) EMG بهمنظور مقایسه کیفی توانایی هر یک از چهار سیگنال در طبقهبندی حالتهای هیجانی
برای دستهبندی از نرمافزار [iii]WEKA نسخه 3.6.3 و الگوریتم آموزشMLP استفاده شده است. تعداد نرونهای لایه مخفی برابر نصف مجموع تعداد ویژگیها و تعداد دستههاست. تعداد اپوکها[iv] برابر 500، میزان خطا برای توقف آموزش برابر 001/0، نرخ یادگیری[v] برابر 3/0 و ممنتم[vi] برابر 2/0 در نظر گرفته شده است. برای آموزش و آزمون دستهبندی کننده از روش ارزیابی متقابل kتایی[vii] استفاده شده است؛ به این صورت که مجموع دادهها بهصورت تصادفی به K قسمت تقسیم و یادگیری K مرتبه تکرار میگردد. در هر مرتبه K-1 قسمت برای آموزش و یک قسمت برای آزمایش استفاده میشود و میانگین نتایج بهدست آمده، بهعنوان نتیجه ارزیابی ارائه میگردد ]26[. در این پژوهش k مقدار متداول 10 در نظر گرفته شده است. برای ارزیابی نتایج دستهبندی از معیارهای متعارفی چون حساسیت[viii]، اختصاصی بودن[ix]، دقت[x] و ناحیه زیرمنحنی[xi]ROC (AUC[xii]) استفاده میکنیم که با رابطههای 4 تا 7 مشخص میشوند. حساسیت (TPR[xiii]):
نرخ طبقهبندی اشتباه مشاهدات (FPR[xiv]):
اختصاصی بودن ([xv]TNR):
دقت (PPV[xvi]):
ناحیه زیر منحنیROC (AUC):
منحنی ROC یا منحنی مشخصه عملکرد سیستم تغییرات دو معیار حساسیت و اختصاصی بودن را نسبت به هم نشان میدهدAUC . بیانگر مساحت ناحیه زیر این منحنی است. جدول (1) نتایج را نشان میدهد.
جدول (1): نتایج حاصل از دستهبندی چهار حالت هیجانی شادی، خشم، ناراحتی و آرامش با استفاده از ویژگیهای استخراج شده از هر یک از چهار سیگنال ECG، RSP، SCL و EMG
با توجه به شکل (8( و جدول (1) مشاهده میشود توانایی هر یک از سیگنالهای فیزیولوژیک در طبقهبندی حالات هیجانی مختلف متفاوت است و ویژگیهای استخراج شده از هر کدام از سیگنالها برای تفکیک حالات هیجانی مشخصی بهتر عمل میکند. ویژگیهای استخراج شده از سیگنال ECG برای تفکیک حالتهای شادی و خشم مناسب است و برای حالتهای ناراحتی و آرامش ضعیف عمل میکند. ویژگیهای استخراج شده از سیگنال RSP برای تفکیک حالتهای خشم و ناراحتی مناسب است و برای حالتهای شادی و آرامش ضعیف عمل میکند. ویژگیهای استخراج شده از سیگنالهای EMG و SCL برای تفکیک حالتهای شادی و خشم مناسب است و برای حالتهای ناراحتی و آرامش ضعیف عمل میکند. به طور کلی، ویژگیهای استخراج شده از هر چهار سیگنال در تفکیک حالت آرامش ضعیف عمل میکنند، درصورتیکه بهطور تقریبی ویژگیهای استخراج شده از هر چهار سیگنال حالت خشم را با حساسیت بالایی تفکیک میکنند. برای تفکیک دو حالت شادی و ناراحتی توانایی ویژگیهای مختلف متفاوت است. بهصورت کلی، مشخص میگردد که فرآیند تفکیک در راستای محور برانگیختگی آسانتر از محور جاذبه است.
1-2- نتایج طبقهبندی با استفاده از مجموع ویژگیهادر این مرحله چهار روش دستهبندی معرفی شده در بخش 5 بار دیگر با استفاده از مجموع ویژگیهای مناسب استخراج شده از سیگنالهای ECG، RSP، SCL و EMG انجام شده است. تنظیم پارامترهای شبکه MLP مانند قبل در نظر گرفته شده است. همچنین، پارامترهای روشهای دیگر برای نیل به بهترین نتیجه تنظیم شده است. در روش SMO از کرنل چند جملهای[xvii] استفاده شده است. در روش درخت تصمیم J48، ضریب اطمینان[xviii] 25/0 و حداقل تعداد نمونه در هر برگ دو در نظر گرفته شده است و در روش بیز ساده از تخمینزننده کرنل استفاده نشده است. روش آموزش و آزمون نیز به منظور قابلیت مقایسه نتایج مانند قبل در نظر گرفته شده است. جدول (2) نتایج حاصل در تفکیک چهار حالت هیجانی را با استفاده از چهار روش دستهبندی نشان میدهد. جدول (2): نتایج حاصل در طبقهبندی چهار حالت هیجانی با استفاده از مجموع ویژگیهای مناسب هر چهار نوع سیگنال به وسیله چهار روش دستهبندی
مشاهده میشود که ترکیب ویژگیهای استخراج شده از چهار سیگنال نتایج دستهبندی را به طور قابل ملاحظهای بهبود میبخشد. با وجود این، تمامی روشها در تفکیک حالت هیجانی آرامش ضعیف عمل میکنند. تمامی روشها حالت هیجانی خشم را به خوبی تفکیک میکنند و برای تفکیک دو حالت خشم و ناراحتی نتایج قابل قبولی دارند. همچنین، مشاهده میشود طبقهبندیکنندههای MLP و SVM، کارایی بالایی دارند. با وجود این، با توجه به نتایج قابل قبول طبقهبندیکنندههای مبتنی بر روش بیز و درخت تصمیمگیری و همچنین، مزیتهای این طبقهبندیکنندهها نسبت به طبقهبندیکنندههای قبلی، استفاده از این طبقهبندیکنندهها برای این بازشناسی اولویت خواهد داشت.
1-3- تأثیر روشهای کاهش ویژگی در تشخیص صحیح حالتهای هیجانیدر این مرحله کارایی روشهای کاهش ویژگی معرفی شده در بخش 5 در بهبود نتایج ارزیابی میشود. پس از بهکارگیری روشهای مختلف کاهش ویژگی بار دیگر از چهار روش دستهبندی و روش آموزش و آزمون با شرایط قبل استفاده میکنیم. در ابتدا پس از ادغام کلیه ویژگیهای استخراج شده از چهار نوع سیگنال (بدون انتخاب آنها) با استفاده از روش PCA ابعاد را به هشت کاهش میدهیم و دستهبندی انجام میشود. سپس بار دیگر پس از انتخاب ویژگیهای مناسب از چهار نوع سیگنال با روش ANOVA از PCAبرای کاهش ابعاد استفاده میکنیم و دستهبندی را بار دیگر انجام میدهیم. در ادامه، با استفاده از روش فیلتر CFS کاهش ابعاد را انجام میدهیم و دستهبندی بار دیگر انجام میگردد. در نهایت، با استفاده از روش رپر برای انتخاب ویژگی استفاده میکنیم. سپس بار دیگر دستهبندی را انجام میدهیم. هر بار نوع دستهبندی کننده ارزیابی در روش رپر را همان روش دستهبندی مورد نظر برای تفکیک انتخاب میکنیم. جدول (3) نتایج حاصل را بر اساس نرخ معیار حساسیت نشان میدهد. جدول (3): مقایسه کارایی روشهای مختلف کاهش ویژگی در بهبود نتایج طبقهبندی بر اساس نرخ معیار حساسیت
روشهای متفاوت کاهش ویژگی، ویژگیهای متفاوتی را به عنوان ویژگیهای مناسب برای دستهبندی انتخاب میکند؛ با این حال بعضی از ویژگیها همچون ویژگیهای مربوط به میزان ضربان قلب، مکان موج Rنسبت به متوسط هر سیکل، مقدار قطعات PQ و ST ، ویژگیهای طیفی نرخ ضربان قلب، ویژگیهای مربوط به میزان و عمق تنفس، ویژگیهای مشتق اول سیگنال فعالیت ماهیچهای مشترک هستند. با توجه به نتایج مشخص میشود که استفاده از روشهای کاهش ابعاد همچون PCA برای این نوع بازشناسی مناسب نیست. بنابراین، باید روشهایی برای انتخاب ویژگیها، بدون ترکیب کردن آنها اتخاذ شود. با وجود این، پس از حذف ویژگیهای غیرمربوط، میتوان روش PCA را برای بهبود نتایج به کار برد. همچنین، روش ارزیابی رپر نتایج بهتری نسبت به روش فیلتر نشان میدهد. با این وصف، باید دقت شود روش رپر به علت استفاده از دستهبندی کننده در انتخاب ویژگی از تعمیمپذیری پایینی در به کارگیری نمونههای جدید برخوردار است ]27[. علاوه بر آن، نسبت به روش فیلتر هزینه محاسبه بالایی دارد و بسیار زمانبر است. نتایج طبقهبندی در این آزمایش نشان دهنده کارایی قابل قبول روشهای پیشنهاد شده به منظور تفکیک چهار حالت هیجانی شادی، خشم، ناراحتی و آرامش است. در تحقیق پیکارد و همکارانش ]8[ سعی شده است تعداد حالتهای هیجانی بیشتری (هشت حالت) برای طبقهبندی در نظر گرفته شود، اما آزمایش تنها بر روی یک داوطلب انجام شده است. از این رو، نمیتوان نتایج این پژوهش را مستقل از شخص به حساب آورد. در آزمایش کیم و همکارانش ]10[ تعداد شرکت کنندگان قابل توجه است، اما این شرکتکنندگان همگی کودکان هستند و ایجاد حالتهای هیجانی در کودکان به راحتی و با شدت بیشتری در مقایسه با بزرگسالان صورت میگیرد. در آزمایش لیو ]4[شرکت کنندگان شش نفر کودک مبتلا به درخودماندگی هستند و تعداد هفت نوع سیگنال فیزیولوژیک متفاوت ثبت شده که باعث مشکل بودن استفاده از این روش است. علاوه بر آن، هدف آزمایش تنها برای طبقهبندی دو حالت میل زیاد و کم است. در تحقیق ]11[ تعداد شرکتکنندگان و تعداد سیگنالهای فیزیولوژیک ثبت شده مناسب است، اما نتایج به دست آمده پایین است. در این آزمایش تعداد شرکت کنندگان 24 شرکتکننده سالم و بزرگسال است که میتوان نتایج را مستقل از شخص دانست. همچنین، در این آزمایش مقایسهای بین کارایی هر یک از سیگنالهای فیزیولوژیک در تفکیک حالتهای هیجانی به صورت جداگانه انجام گرفته است. ویژگیهای استخراج شده در این تحقیق، همگی نسبت به ویژگیهای پیشنهاد شده در بعضی از تحقیقات پیشین پیچیدگی محاسباتی کمی دارند. بهعلاوه سعی شده است تعداد زیادی ویژگی محاسبه شود و سپس بهترین آنها برای طبقهبندی انتخاب شود. علاوه بر آن، در این آزمایش مقایسهای بین بهکارگیری انواع روشهای متداول کاهش ویژگی و دستهبندی برای بهبود نتایج طبقهبندی انجام گرفته است. همچنین، چهار حالت هیجانی مورد طبقهبندی در این پژوهش؛ یعنی شادی، خشم، ناراحتی و آرامش هر کدام در یکی از چهار ربع فضای برانگیختگی-جاذبه است. این فضا هم اکنون مورد توافق بسیاری از محققان علوم روانشناسی برای نامگذاری و تفکیک اغلب احساسات از یکدیگر است.
2- نتیجهگیریاطمینان از ثبت دادههای درست و معتبر مهمترین بخش این تحقیق است و به رعایت محدودیتهای مختلفی نیاز دارد که در بخش 2 و 3 توضیح داده شد. سیگنالهای ثبت شده شامل انواع نویز و درستنماها هستند. لذا انجام پیشپردازشهای مناسب قبل از استخراج ویژگی، اهمیت دارد. میتوان با استخراج ویژگیهای پیشنهاد شده با پیچیدگی محاسباتی پایین به نتایج طبقهبندی قابل قبولی دست یافت. توانایی ویژگیهای استخراج شده هر نوع از سیگنالهای فیزیولوژیک برای طبقهبندی حالتهای هیجانی مختلف متفاوت است. سیگنالهای ECG، EMG و SCL برای تفکیک حالتهای شادی و خشم و سیگنال RSP برای تفکیک حالتهای خشم و ناراحتی مناسب است. با ادغام این ویژگیها نتایج به طور قابل ملاحظهای بهبود مییابد. حالت هیجانی خشم نسبت به بقیه حالتها با حساسیت بالایی تفکیک میشود و تمامی روشهای به کار گرفته شده در تفکیک حالت آرامش ضعیف عمل میکنند. بهصورت کلی مشخص میگردد که فرآیند تفکیک در راستای محور برانگیختگی آسانتر از محور جاذبه است. با توجه به نتایج قابل قبول طبقهبندیکنندههای مبتنی بر روش بیزین و درخت تصمیمگیری و ویژگیهای مثبت این طبقهبندیکنندهها نسبت به طبقهبندیکنندههای دیگر، استفاده از این طبقهبندیکنندهها برای این بازشناسی اولویت خواهد داشت. استفاده از روش PCA برای کاهش بعد پس از حذف ویژگیهای غیر مربوط نتایج را بهبود میبخشد. همچنین، روش ارزیابی رپر نتایج بهتری نسبت به روش فیلتر نشان میدهد، ولی بسیار زمانبر است. با توجه به نتایج، روشهای پیشنهاد شده میتواند به طراحی یک سیستم بازشناسی حالتهای هیجانی با استفاده از ثبت و پردازش سیگنالهای فیزیولوژیک شخص منجر شود. نتایج نشان میدهند که انتخاب ویژگیها و همچنین طبقهبندی کننده مناسب در بهبود نرخ تشخیص حالتهای هیجانی تأثیر زیادی دارد.
[i] Naive Bayes Classifier [ii] Information Gain [iii] Waikato Environment for Knowledge Analysis (WEKA) [iv] Epoch [v] Learning Rate [vi] Momentum [vii] K-fold cross-validation [viii] Sensitivity [ix] Specificity [x] Precision [xi] Receiver Operating Characteristic (ROC) [xii] Area Under Curve (AUC) [xiii] True Positive Rate (TPR) [xiv] False Positive Rate (FPR) [xv] True Negative Rate (TNR) [xvi] Positive Predictive Value (PPV) [xvii] Polynomial kernel | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
مراجع | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
[1] C. D. Batson, L. L. Shaw, K. C. Oleson Differentiating affect, mood, and emotion: Toward functionally based conceptual distinctions, Review of personality and social psychology, Vol. 21, No. 13, pp. 294-326, 1992. [2] L., Custódio, R. Ventura, C. Pinto-Ferreira, Artificial emotions and emotion-based control systems, 7th IEEE International Conference on Emerging Technologies and Factory Automation, pp. 1415 – 1420, 1999. [3] B. Mojarrad Shafie, M. Yazdchi, M. Emadi Andani, Automatic affective state recognition using physiological changes, International Journal of Signal and Data Processing, Vol. 8, No. 2, pp. 85-100, 2011. [4] R. W. Picard, Affective computing: challenges, International Journal of Human-Computer Studies, Vol. 59, No. 1, pp. 55-64, 2003. [5] C. Liu, K. Conn, N. Sarkar, W. Stone, Online affect detection and robot behavior adaptation for intervention of children with autism, Robotics, IEEE Transactions on, Vol. 24, No 4, pp. 883-896, 2008. [6] R. Cowie, E. Douglas-Cowie, Emotion recognition in human-computer interaction, Signal Processing Magazine, IEEE, Vol. 18, No. 1, pp. 32-80, 2001. [7] S. D. Kreibig, Autonomic nervous system activity in emotion: A review, Biological psychology, Vol. 84, No. 3, pp. 394-421, 2010. [8] R. W. Picard, E. Vyzas, J. Healey, Toward machine emotional intelligence: Analysis of affective physiological state, Pattern Analysis and Machine Intelligence, IEEE Transactions on, Vol. 23, No. 10, pp. 1175-1191, 2001. [9] J. A. Healey, R. W. Picard, Detecting stress during real-world driving tasks using physiological sensors, Intelligent Transportation Systems, IEEE Transactions on, Vol. 6, No. 2, pp. 156-166, 2005. [10] K. H. Kim, S. W. Bang, S. R. Kim, Emotion recognition system using short-term monitoring of physiological signals, Medical and biological engineering and computing, Vol. 42, No. 3, pp. 419-427, 2004. [11] G. Chanel, C. Rebetez, M. Bétrancourt, Emotion assessment from physiological signals for adaptation of game difficulty, Systems, Man and Cybernetics, Part A: Systems and Humans, IEEE Transactions on, Vol. 41, No. 6, pp. 1052-1063, 2011. [12] C. L. Lisetti, F. Nasoz, Using noninvasive wearable computers to recognize human emotions from physiological signals, EURASIP Journal on Applied Signal Processing, Vol. 2004, No. 1, pp. 1672-1687, 2004. [13] P. Rani, C. Liu, N. Sarkar, An Empirical study of machine learning techniques for affect recognition in human robot Interaction, Pattern Analysis & Applications, Vol. 9, No. 1, pp. 58-69, 2006. [14] E. Leon, G. Clarke, V. Callaghan, F. Sepulveda, A user-independent real-time emotion recognition system for software agents in domestic environments, Engineering Applications of Artificial Intelligence, Vol. 20, No. 3, pp. 337-345, 2007. [15] C. D. Katsis, N. Katertsidis, G. Ganiatsas, Toward emotion recognition in car racing drivers: a biosignal processing approach, IEEE Trans. Systems, Man and Cybernetics - Part A: Systems and Humans, vol. 38, No. 3, pp. 502-512, 2008. [16] D. Goldberg, P. Williams, General health questionnaire. GL Assessment, 2006. [17] J. A. Russell, A circumplex model of affect, Journal of personality and social psychology, Vol. 57, No. 5, pp. 1161, 1980. [18] P. J. Lang, M. M. Bradley, B. N. Cuthbert, International affective picture system (IAPS): Affective ratings of pictures and instruction manual: NIMH, Center for the Study of Emotion & Attention, 2005. [19] J. D. Morris, SAM:The Self-Assessment Manikin, An Efficient Cross-Cultural Measurement of Emotional Response, Journal of Advertising Research, Vol. 35, No. 3, November 1995. [20] S. de Waele, G. J. de Vries, M, Jager, Experiences with adaptive statistical models for biosignals in daily life, IEEE, pp. 1-6, 2009. [21] S. Saxena, V. Kumar, S. T. Hamde, Feature extraction from ECG signals using wavelet transforms for disease diagnostics, International Journal of Systems Science, Vol. 33, No. 13, pp. 1073-1085, 2002. [22] N. Selvaraj, A. Jaryal, J. Santhosh, Assessment of heart rate variability derived from finger tip photo plethysmography as compared to electro cardiography, Journal of medical engineering & technology, Vol. 32, No. 6, pp. 479-484, 2008. G. Lu, J. S. Brittain, P. Holland, J. Yianni, A. L. Green, Removing ECG noise from surface EMG signals using adaptive filtering, Neuroscience letters, Vol. 462, No. 1, pp. 14- | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
آمار تعداد مشاهده مقاله: 1,730 تعداد دریافت فایل اصل مقاله: 1,279 |