Please use this identifier to cite or link to this item: http://artemis.cslab.ece.ntua.gr:8080/jspui/handle/123456789/13675
Title: Αναγνώριση Συναισθήματος Από Σήματα Ηλεκτροεγκεφαλογραφήματος Με Χρήση Ευφυών Τεχνικών
Authors: Βασίλειος Σερεντέλλος
Σταφυλοπάτης Ανδρέας-Γεώργιος
Keywords: αναγνώριση συναισθήματος
συναισθηματική υπολογιστική
αλληλεπίδραση ανθρώπου - μηχανής
ηλεκτροεγκεφαλογράφημα - ηεγ
μηχανική μάθηση
εξαγωγή χαρακτηριστικών
επιλογή χαρακτηριστικών
κατηγοριοποίηση
Issue Date: 27-Jan-2018
Abstract: Σκοπός της παρούσας διπλωματικής εργασίας είναι η διερεύνηση της ποιότητας διαφόρων προσεγγίσεων για την ανίχνευση συναισθήματος μέσω της επεξεργασίας σημάτων ηλεκτροεγκεφαλογραφήματος (ΗΕΓ) και της χρήσης τεχνικών μηχανικής μάθησης. Τα τελευταία χρόνια η κατηγοριοποίηση συναισθημάτων από δεδομένα ΗΕΓ λαμβάνει όλο και μεγαλύτερη προσοχή με τη ραγδαία ανάπτυξη των μη παρεμβατικών συστημάτων καταγραφής βιοσημάτων του ανθρωπίνου εγκεφάλου, που καθιστούν αυτήν τη διαδικασία ευκολότερη και πιο αξιόπιστη. Το γεγονός ότι τα σήματα αυτά πηγάζουν από ακούσιες εγκεφαλικές λειτουργίες, και άρα δεν μπορούν να χειραγωγηθούν, καθιστά την πληροφορία που μπορεί να ληφθεί από αυτά ιδιαίτερα σημαντική για την κατανόηση των διαφόρων ανθρώπινων συναισθηματικών καταστάσεων και της σχέσης τους με συγκεκριμένες φυσιολογικές λειτουργίες, καθώς και για τη δημιουργία ενός συστήματος αναγνώρισης συναισθήματος υψηλής ακρίβειας. Στα πλαίσια της παρούσας εργασίας αρχικά παρουσιάζονται οι απαραίτητες έννοιες για την κατανόηση του αντικειμένου της αναγνώρισης συναισθήματος από σήματα ΗΕΓ, ενώ ακολούθως γίνεται εκτενής αναφορά στη λειτουργία και τα αποτελέσματα διαφόρων συστημάτων μηχανικής μάθησης που κατασκευάστηκαν και ελέγχθηκαν πάνω σε ένα πειραματικό σύνολο δεδομένων.Πιο συγκεκριμένα, τα συστήματα, που αναπτύχθηκαν, δημιουργήθηκαν σε 3 φάσεις. Στην πρώτη, εξήχθησαν διάφορα είδη χαρακτηριστικών από τα σήματα του συνόλου δεδομένων, προκειμένου να δημιουργηθεί ο πίνακας χαρακτηριστικών πάνω στον οποίο θα γινόταν η τελική κατηγοριοποίηση. Στη δεύτερη φάση, εφαρμόστηκαν 4 τεχνικές επιλογής χαρακτηριστικών λόγω του μεγάλου όγκου των εξαχθέντων χαρακτηριστικών. Πιο αναλυτικά, οι μέθοδοι που χρησιμοποιήθηκαν ήταν οι ReliefF, Cohen’s f2, minimum-Redundancy-Maximum-Relevance (mRMR) και Infinite Feature Selection (Inf-FS), των οποίων η λειτουργικότητα εξηγείται πλήρως στα πλαίσια της εργασίας αυτής. Στη τελευταία φάση, τα χαρακτηριστικά που είχαν επιλεγεί από τις προηγούμενες μεθόδους δόθηκαν σε 5 κατηγοριοποιητές (Quadratic Discriminant Analysis - QDA, K-Nearest Neighbors - KNN, Random Forest, Support Vector Machine - SVM, Deep Belief Network - DBN), προκειμένου να προκύψουν τα τελικά αποτελέσματα των συστημάτων αυτών.Τέλος, γίνεται σύγκριση και αξιολόγηση των αποτελεσμάτων των διαφόρων συστημάτων που προέκυψαν από το συνδυασμό των μεθόδων επιλογής και κατηγοριοποίησης, ενώ δίνονται και μελλοντικές κατευθύνσεις.
URI: http://artemis-new.cslab.ece.ntua.gr:8080/jspui/handle/123456789/13675
Appears in Collections:Διπλωματικές Εργασίες - Theses

Files in This Item:
File SizeFormat 
DT2018-0003.pdf2.08 MBAdobe PDFView/Open


Items in Artemis are protected by copyright, with all rights reserved, unless otherwise indicated.