Eeg sinyalleri kullanılarak makine öğrenmesi tabanlı duygu tespiti yöntemi

Abstract

Elektroensefalografi (EEG) sinyalleri, bireylerin duygusal durumlarının belirlenmesi ve beyin aktivitesinin analiz edilmesi açısından önemli veriler arasında yer almaktadır. Bu çalışmanın amacı, EEG sinyallerini kullanarak bireylerin duygu durumlarını yüksek doğrulukla sınıflandırabilecek bir yöntem geliştirmektir. Çalışma kapsamında katılımcılardan nötr, mutlu, üzgün, kızgın ve şaşkın olmak üzere beş farklı duygu durumunu ifade eden cümleleri belirli bir süre boyunca tekrar etmeleri istenmiş ve bu süreçte EEG sinyalleri kaydedilmiştir. Elde edilen ham EEG verileri ön işleme aşamasında non-overlapping yöntemi kullanılarak belirli uzunluklarda segmentlere ayrılmıştır. Özellik çıkarım aşamasında, EEG sinyallerinden ayırt edici özellikler elde etmek amacıyla MDCCP (Multi-Domain Cross-Channel Pattern) yöntemi ve OCTANET modeli birlikte kullanılmıştır. Bu yöntemlerden elde edilen özellikler birleştirilerek daha güçlü ve temsil yeteneği yüksek bir özellik kümesi oluşturulmuştur. Özellik boyutunu optimize etmek ve sınıflandırma performansını artırmak amacıyla özellik seçme aşamasında Iterative Neighborhood Component Analysis (INCA) yöntemi uygulanmıştır. Seçilen özellikler, sınıflandırma aşamasında Ensemble sınıflandırıcı ile değerlendirilmiştir. Önerilen yöntem sonucunda, beş farklı duygu durumunun sınıflandırılmasında %99.8 doğruluk oranı elde edilmiştir. Elde edilen bu yüksek başarı, önerilen yöntemin EEG tabanlı duygu tanıma problemlerinde oldukça etkili ve güvenilir olduğunu göstermektedir. Bu çalışma, Bu çalışmada her duygu durumu belirli cümlelerle temsil edilmiştir. Bu nedenle elde edilen bulgular yalnızca duygusal durumdan değil, cümle içeriği ve okuma sürecine bağlı bilişsel etkilerden de etkilenmiş olabilir. Gelecek çalışmalarda her duygu için birden fazla cümle kullanılarak içerik etkisinin azaltılması önerilmektedir.

Electroencephalography (EEG) signals are among the important data for determining individuals' emotional states and analyzing brain activity. The aim of this study is to develop a method that can classify individuals' emotional states with high accuracy using EEG signals. As part of the study, participants were asked to repeat sentences expressing five different emotional states—neutral, happy, sad, angry, and surprised—for a specific period of time, and EEG signals were recorded during this process. The raw EEG data obtained were divided into segments of specific lengths using the non-overlapping method during the preprocessing stage. In the feature extraction phase, the MDCCP (Multi-Domain Cross-Channel Pattern) method and the OCTANET model were used together to obtain distinctive features from the EEG signals. The features obtained from these methods were combined to create a more powerful and representative feature set. The Iterative Neighborhood Component Analysis (INCA) method was applied during the feature selection phase to optimize feature size and improve classification performance. The selected features were evaluated in the classification phase using an Ensemble classifier. The proposed method achieved an accuracy rate of 99.8% in classifying five different emotional states. This high success rate demonstrates that the proposed method is highly effective and reliable in EEG-based emotion recognition problems. In this study, each emotion state was represented by specific sentences. Therefore, the findings may have been influenced not only by the emotional state but also by cognitive effects related to sentence content and the reading process. Future studies are recommended to use multiple sentences for each emotion to reduce the impact of content.