Citation Number
3
Views
22
Downloands
2
Duygular kişilerin yaşamlarını ve karar verme mekanizmalarını hayatının tamamında etkilemektedir. İnsanlar duygulara kelimeleri, sesleri, yüz mimiklerini ve vücut dillerini kullanarak istemli ya istemsiz bir şekilde, iş yaparken, gözlemlerken, düşünürken kısacası çevresiyle iletişim kurarken başvururlar. Bundan dolayı, duyguların davranışlarını analiz etmek ve anlamak büyük önem arz etmektedir. Beyin sinyallerine dayalı gerçekleştirilen duygu tahmini günümüzde Beyin-Bilgisayar Arayüzü (BBA) uygulamalarında büyük yarar sağlamaktadır. BBA uygulamaları daha çok sağlık, eğitim, güvenlik, sanal gerçeklik, bilgisayar oyunları olmak üzere birbirinden farklı birçok alanda kullanılmaktadır. Ancak, beyin sinyallerinin elde edilmesi sırasında gürültülerin ortaya çıkması, EEG kanallarının yanlış seçilmesi, verilerin yoğun olması ve uygun olmayan özellik çıkarım yöntemlerinin kullanılması, BBA uygulamalarının yeterli seviyeye gelememelerine neden olmaktadır. Bu çalışmada, hangi EEG kanallarının pozitif-negatif duyguların ayrımında etkili olduğu belirlenmeye çalışılmış ve DEAP veri setindeki 32 kanallı EEG sinyalleri kullanılmıştır. Özellik çıkarım aşamasında, dalgacık dönüşümü, bilgi ölçüm yöntemleri ve istatistiksel yöntemler kullanılarak etkili EEG kanallarının belirlenmesi hedeflenmiştir. Çalışmanın son aşamasında ise, elde edilen özelliklerden yola çıkılarak oluşturulan eğitim kümesi DVM (Destek Vektör Makineleri) kullanılarak sınıflandırılmıştır. Önerilen yöntemin sınıflandırma performansı, sınıflandırma kesinliği, log-kaybı ve on kat çapraz-doğrulama) ile belirlenmiştir. Her bir EEG kanalı için doğruluk oranı hesaplanmış ve ortalama başarım %74 olacak şekilde gözlemlenmiştir. Önerilen yöntem ve tekniklere göre en etkili EEG kanalları Fp1, FC6, C4, CP1, CP5, CP6, T7, P7 ve Pz olarak belirlenmiştir.
Emotions affect people’s lives and decision-making mechanisms throughout their lives. People apply to emotions by using words, voices, face mimics and body languages in a worthy or unwanted way, while doing business, observing, thinking, shortly, communicating with their surroundings. Therefore, it is of great importance to analyze and understand the behavior of emotions. Emotional estimates based on brain signals are great in brain-computer interface (BBA) applications today. BBA applications are used in many different fields, including health, education, security, virtual reality, and computer games. However, the appearance of noise during the obtaining of brain signals, the wrong selection of EEG channels, the data is intense and the use of inappropriate features extraction methods causes BBA applications to fail to reach a sufficient level. In this study, it was attempted to determine which EEG channels are effective in distinguishing positive and negative emotions and 32 channels EEG signals were used in the DEAP data set. In the characteristic extraction phase, the aim is to identify effective EEG channels using wave transformation, information measurement methods and statistical methods. In the final stage of the study, the training set created based on the achieved features was classified using DVM (Support Vector Machines). The recommended method is determined by classification performance, classification accuracy, log loss and ten-fold cross-confirmation). The accuracy rate for each EEG channel was calculated and the average success was observed to be 74%. The most effective EEG channels according to the recommended method and techniques are defined as Fp1, FC6, C4, CP1, CP5, CP6, T7, P7 and Pz.
People’s lives and decision-making process are influenced by negative-positive emotions. People state their emotions with words, body language, facial expression and voice during thinking, decision making, observing or interacting with the environment. So, it is vital to understand the nature of emotions well. EEG based emotion recognition systems are useful in brain-computer interface (BCI) area. BCI systems are applied in various fields such as education, healthcare systems, virtual reality, video gaming industry. Although EEG signals give much valuable information about brain functions and emotions, brain-computer interface systems have not attained the targeted goals because of artefacts, misuse of EEG channels, data complexity and inappropriate feature extraction and selection methods. In this article, we tried to analyze which EEG channels are effective to estimate positive-negative emotions. We applied publicly available dataset (DEAP) in this work and 32 different EEG channels were classified. Discrete wavelet decomposition, information measurement and statistical methods were applied in the feature extraction phase. In the last phase, SVM (Support Vector Machines) are applied in order to classify the features. The classification performance of the proposed method evaluated by classification accuracy, log-loss, and ten-fold cross validation. Performance accuracy was observed from each EEG channel and average accuracy was found 74%. The experimental results indicated that the best EEG channels for positive-negative emotions Fp1, FC6, C4, CP1, CP5, CP6, T7, P7, and Pz via the proposed method.
Field : Eğitim Bilimleri; Fen Bilimleri ve Matematik
Journal Type : Uluslararası
Article Detail 
Citation Owners
Similar Articles
Download PDF
Journal Information
Listen Paper
Print This Page
Share
Mendeley
