Machine learning based emotion recognition system using EEG signals

Other Title(s)

نظام التعرف على المشاعر القائمة على التعلم الآلي باستخدام إشارات EEG

Dissertant

al-Asasifah, Wazzan Yusuf Sulayman

Thesis advisor

al-Halasah, Raniya Azmi Ibrahim

University

Mutah University

Faculty

Information Technology College

Department

Computer Science Department

University Country

Jordan

Degree

Master

Degree Date

2020

Arabic Abstract

هنالك العديد من الأبحاث العلمية التي تهتم ببناء نظام تلقائي للتعرف على العواطف، و لبناء مثل هذه الأنظمة عادة ما يتم الاعتماد على إشارات الدماغ، حيث أثبتت تلك الدراسات أن هذه الإشارات يمكن استخدامها في تصنيف العديد من الحالات العاطفية.

و تعتبر هذه العملية واحدة من أصعب المهام، لا سيما و ان إشارات الدماغ تتسم بانها غير ثابتة تولد المشاعر البشرية المختلفة نتيجة لردود أفعال لحالات عاطفية مختلفة الأمر الذي من شأنه أن يؤثر على إشارات الدماغ.

و بهذا فأن أداء أنظمة التعرف على العواطف عن طريق إشارات الدماغ يعتمد على كفاءة الخوارزميات المستخدمة لاستخراج الميزات و خوارزمية اختيار الميزات و عملية التصنيف.

في الآونة الأخيرة، حظيت دراسة إشارات ( (EEG) بالكثير من الاهتمام نظرا لتوافر العديد من قواعد البيانات القياسية.

و لا سيما بعدما أصبحت أجهزة التقاط إشارات الدماغ متوفرة في الأسواق بمتناول الأيدي، و بأسعار معقولة و سهلة الاستخدام و لا سيما الأجهزة اللاسلكية منها تهدف هذه الأطروحة إلى تقديم نموذج آلي للتعرف على العواطف بالاعتماد على إشارات تخطيط الدماغ، إن النموذج المقترح يركز على ابتكار طريقة فعالة تجمع ما بين المراحل الأساسية في التعامل مع إشارات تخطيط الدماغ.

في مرحلة معالجة الإشارات تم استخدام تقنية ) EMD and IMF) ثم .(MD) .

و في مرحلة استخلاص الميزات تم استخدام ثلاثة تقنيات شهيرة هي (ES) و (TE) و(HFD).

وأما في مرحلة التصنيف فقد تم استخدام اربع طرق تصنيف هي (Native Base) و (CNN) (KNN) (DT) لتصنيف الحالة العاطفية.

و لتقييم أداء نموذجنا المقترح تم تطبيق التجارب على قاعدة بيانات شهيرة تسمى (DEAP) استنادا إلى العديد من نماذج التقييم الشهيرة بما في ذلك الدقة الخصوصية و الحساسية، أظهرت التجارب كفاءة الطريقة المقترحة و التي كانت على النحو التالي : فقد كانت نتيجة الدقة (92.31) عند تطبيق طريقة (KNN)، بينما حقق (DT) نتيجة (90.82 )، و حقق (Naive Base) نتيجة (91.11)، و ظهرت أفضل النتائج عند استخدام (CNN) فقد كانت الدقة .(94.91).

English Abstract

There are many scientific researchers are concerned with building an automatic system to recognize emotions, and to build such systems usually rely on brain signals.

These studies have shown that brain signals can be used to classify many emotional states.

This process is considered as one of the most difficult tasks, especially since the brain's signals are not stable.

Different human emotions are generated as a result of reactions to different emotional states, which affect brain signals.

Thus the performance of emotion recognition systems by brain signals depends on the efficiency of the algorithms used to extract features, the feature selection algorithm, and the classification process.

Recently, the study of EEG signaling has received much attention due to the availability of several standard databases.

Especially after the brain signal recording devices which have become available in the market, and at reasonable prices, such as the wireless ones.

This thesis aims to present an automated model for identifying emotions based on EEG signals.

The proposed model focuses on creating an effective method that combines the basic stages of dealing with EEG signals.

In the signal processing stage,Emprical Mode Decompstion (EMD) and Intrinsic Function (IMF) technology were used, then Variational Mode Decomposition(VMD).

In the feature extraction stage, three well-known technologies were used: Entropy Study (ES), The Telecommuniction (TE), and Higuchi Fractal Dimension (HFD).

For the classification stage, four classification methods were used: Naive Base and K-Nearest Neighbor (KNN), Convolutional Neural Network (CNN), and Decision Tree (DT) for classifying emotional states.

To evaluate the performance of our proposed model, experiments were applied to a common database called (DEAP) based on many evaluation models, including accuracy, specificity, and sensitivity.

The experiments showed the efficiency of the proposed method, which was as follows: The result of accuracy was (92.31%) when applying the method KNN, while DT achieved (90.82%), and Naive Base achieved (91.11%), and the best results appeared when using CNN, where the accuracy was (94.91%).

Main Subjects

Information Technology and Computer Science

No. of Pages

49

Table of Contents

• APA
• MLA
• AMA

Language

English

Data Type

Arab Theses

Record ID

BIM-1350767