التعرف على المشاعر باستخدام تخطيط الدماغ الكهربائي (EEG) بناءً على مصفوفة ميزات إنترتروبي التفاضلية من خلال شبكة 2D-CNN-LSTM

ملخص لقد جذب البحث في التعرف على المشاعر اهتمامًا كبيرًا في مجالات بحثية متنوعة، ويعتبر تخطيط الدماغ الكهربائي (EEG) أداة واعدة لاستخراج المعلومات المتعلقة بالمشاعر. ومع ذلك، فإن طرق التعرف على المشاعر المرتكزة على EEG التقليدية تتجاهل الارتباط المكاني بين الأقطاب الكهربائية. لمعالجة هذه المشكلة، يقترح هذا البحث طريقة للتعرف على المشاعر تعتمد على EEG تجمع بين مصفوفة ميزات إنترتروبي التفاضلية (DEFM) و2D-CNN-LSTM. في هذا العمل، يتم أولاً تحويل تسلسل متجه EEG أحادي الأبعاد إلى تسلسل مصفوفة شبكية ثنائية الأبعاد، والتي تتوافق مع توزيع مناطق الدماغ لمواقع الأقطاب الكهربائية، ويمكن أن تصف بشكل أفضل الارتباط المكاني بين إشارات EEG لأقطاب كهربائية متجاورة متعددة. ثم، يتم تقسيم إشارة EEG إلى نوافذ زمنية متساوية، ويُحسب إنترتروبي التفاضلية (DE) لكل قطب كهربائي في هذه النافذة الزمنية، ويتم دمجه مع مصفوفة شبكية ثنائية الأبعاد وإنترتروبي التفاضلية للحصول على تمثيل بيانات جديد يمكن أن يلتقط الارتباط الزماني المكاني لإشارة EEG، والذي يُسمى DEFM. ثانيًا، نستخدم 2D-CNN-LSTM لتحديد الفئات العاطفية الموجودة في إشارات EEG بدقة وأخيرًا نصنفها من خلال الطبقة المتصلة بالكامل. تم إجراء تجارب على مجموعة بيانات DEAP المستخدمة على نطاق واسع. تُظهر نتائج التجارب أن الطريقة تحقق دقة تصنيف متوسطة تبلغ 91.92% و92.31% للفأل والتنبيه، على التوالي. تؤدي الطريقة بشكل بارز في التعرف على المشاعر. تجمع هذه الطريقة بشكل فعال بين الارتباط الزمني والمكاني لإشارات EEG، وتحسن دقة وموثوقية التعرف على مشاعر EEG، ولها آفاق تطبيق واسعة في مجال تصنيف المشاعر والتعرف عليها استنادًا إلى إشارات EEG.