Метод та алгоритм обробки електроенцефалографічних сигналів у комп’ютерних медичних діагностичних системах для виявлення психоемоційних показників людини
DOI:
https://doi.org/10.20535/RADAP.2023.91.63-71Ключові слова:
ЕЕГ-сигнал, психоемоційне навантаження, виявлення, психоемоційні показники, періодично корельований випадковий процес, синфазний метод, інформативність, комп’ютерна медична діагностична система, програмне забезпеченняАнотація
Розроблено метод та алгоритм обробки електроенцефалографічних сигналів при психоемоційному навантаженні для підвищення інформативності комп’ютерних медичних діагностичних систем з метою виявлення часових переходів між різними психоемоційними станами у людей. Метод та алгоритм обробки електроенцефалографічних сигналів базується на математичній моделі у вигляді періодично корельованого випадкового процесу та синфазному методі обробки без урахування взаємозв’язку між кореляційними компонентами як психоемоційними показниками людини. Така модель та метод забезпечують виявлення появи змін у часовій структурі електроенцефалографічного сигналу за даними зміни періодичної складової у вигляді усереднених кореляційних компонент отриманих в межах часо-зсувних вікон, які кількісно відображають психоемоційні зміни у людини при стресових ситуаціях. Встановлено, що в період фонового впливу спостерігається поступове зниження рівня потужності усереднених кореляційних компонент електроенцефалографічного сигналу, в період негативного впливу спостерігається приріст потужності та в період відновлення відбувається зменшення потужності компонент по відношенню до двох попередніх впливів. Розроблено програмне забезпечення на основі синфазного методу для обробки електроенцефалографічних сигналів при психоемоційному навантаженні в програмному середовищі Matlab.
Посилання
References
Frantzidis C. A., Bratsas C., Papadelis C. L., Konstantinidis E., Pappas C. and Bamidis P. D. (2010). Toward Emotion Aware Computing: An Integrated Approach Using Multichannel Neurophysiological Recordings and Affective Visual Stimuli. IEEE Transactions on Information Technology in Biomedicine, Vol. 14, No. 3, pp. 589-597. doi: 10.1109/TITB.2010.2041553.
Melnikova T. S., Krasnov V. N., Lapin I. A., Andrushkyavichus S. I. (2009). Dnevnaya dinamika harakteristik EEG pri cirkulyarnyh depressivnyh rasstrojstvah [Daily dynamics of EEG characteristics in cyclic depressive disorders]. Psychic health, Vol. 12, pp. 43-47.
Lapshina T. N. (2004). EEG-indikaciya emocional'nyh sostoyanij cheloveka [EEG-indication of emotional states of a person]. Herald of Moscow State University. Psychology, Vol. 2, pp. 101–102.
Shpenkov O., Tukaev S., Zyma I. (2018). EEG gamma-band spectral power changes during listening to the rock-music with reduced low-frequency level. Visnyk Taras Shevchenko National University of Kyiv. Biology, 2018, Vol. 1(75), pp. 27-32.
Klibi S., Mestiri M. and Farah I. R. (2021). Emotional behavior analysis based on EEG signal processing using Machine Learning: A case study. 2021 International Congress of Advanced Technology and Engineering (ICOTEN), Taiz, Yemen, pp. 262-265. DOI:10.1109/ICOTEN52080.2021.9493537.
Qing C., Qiao R., Xiangmin X., Cheng Y. (2019). Interpretable Emotion Recognition Using EEG Signals. IEEE Access, Vol. 7, pp. 94160–94170. DOI:10.1109/ACCESS.2019.2928691.
Sharma R., Pachori R. B., Sircar P. (2020). Automated emotion recognition based on higher order statistics and deep learning algorithm. Biomedical Signal Processing and Control, Vol. 58, 101867. DOI:10.1016/j.bspc.2020.101867.
Topic A., Russo M. (2021). Emotion recognition based on EEG feature maps through deep learning network. Engineering Science and Technology, an International Journal, Vol. 24, Iss. 6, pp. 1442-1454. DOI:10.1016/j.jestch.2021.03.012.
Sakalle A., Tomar P., Bhardwaj H., Acharya D., Bhardwaj A. (2021). A LSTM based deep learning network for recognizing emotions using wireless brainwave driven system. Expert Systems with Applications, Vol. 173, 114516. DOI:10.1016/j.eswa.2020.114516.
Zheng W.-L., Zhu J.-Y., Lu B.-L. (2017). Identifying Stable Patterns over Time for Emotion Recognition from EEG. IEEE Transactions on Affective Computing, Vol. 10, Iss. 3, pp. 417–429. DOI:10.1109/TAFFC.2017.2712143.
Song T., Zheng W., Song P., Cui Z. (2018). EEG Emotion Recognition Using Dynamical Graph Convolutional Neural Networks. IEEE Transactions on Affective Computing, Vol. 11, Iss. 3, pp. 532–541. DOI: 10.1109/TAFFC.2018.2817622.
Liu S., Wang X., Zhao L., Zhao J., Xin Q., Wang S. (2020). Subject-Independent Emotion Recognition of EEG Signals Based on Dynamic Empirical Convolutional Neural Network. IEEE/ACM Trans Comput Biol Bioinform, Vol. 18, Iss. 5, pp. 1710-1721. DOI: 10.1109/TCBB.2020.3018137.
Gupta R., Laghari K. R., Falk T. H. (2016). Relevance vector classifier decision fusion and EEG graph-theoretic features for automatic affective state characterization. Neurocomputing, Vol. 174, Part B, pp. 875–884. DOI:10.1016/j.neucom.2015.09.085.
Yin Z., Liu L., Chen J., Zhao B., Wang Y. (2020). Locally robust EEG feature selection for individual-independent emotion recognition. Expert Systems with Applications, Vol. 162, 11376. DOI:10.1016/j.eswa.2020.113768.
Joshi V. M., Ghongade R. B. (2020). IDEA: Intellect database for emotion analysis using EEG signal. Journal of King Saud University - Computer and Information Sciences, Vol. 34, Iss. 7, pp. 4433-4447. DOI:10.1016/j.jksuci.2020.10.007.
Chakladar D. D., Chakraborty S. (2018). EEG based emotion classification using «Correlation Based Subset Selection». Biologically Inspired Cognitive Architectures, Vol. 24, pp. 98–106. DOI:10.1016/J.BICA.2018.04.012.
Kumar N., Khaund K., Hazarika S. M. (2016). Bispectral Analysis of EEG for Emotion Recognition. Procedia Computer Science, Vol. 84, pp.31–35. DOI:10.1016/j.procs.2016.04.062.
Arnau-González P., Arevalillo-Herráez M., Ramzan N. (2017). Fusing highly dimensional energy and connectivity features to identify affective states from EEG signals. Neurocomputing, Vol. 244, pp. 81–89. DOI:10.1016/j.neucom.2017.03.027.
Murugappan M., Rizon M., Nagarajan R., Yaacob S., Hazry D. & Zunaidi I. (2008). Time-Frequency Analysis of EEG Signals for Human Emotion Detection. 4th Kuala Lumpur International Conference on Biomedical Engineering 2008, pp.262-265. DOI:10.1007/978-3-540-69139-6_68.
Iacoviello D., Petracca A., Spezialetti M., Placidi G. (2015). A real-time classification algorithm for EEG-based BCI driven by self-induced emotions. Comput Methods Programs Biomed, Vol. 122, Iss. 3, pp. 293–303. DOI:10.1016/j.cmpb.2015.08.011.
Özerdem M. S., Polat H. (2017). Emotion recognition based on EEG features in movie clips with channel selection. Brain informatics, Vol. 4(4), pp. 241–252. DOI:10.1007/s40708-017-0069-3.
Alakus T. B., Gonen M., Turkoglu I. (2020). Database for an emotion recognition system based on EEG signals and various computer games -- GAMEEMO. Biomedical Signal Processing and Control, Vol. 60, 101951. DOI:10.1016/j.bspc.2020.101951.
Li M., Hongpei X., Liu X., Shengfu L. (2018). Emotion recognition from multichannel EEG signals using K-nearest neighbor classification. Technol Health Care, Vol. 26(S1), pp. 509–519. DOI: 10.3233/THC-174836.
Garg A., Kapoor A., Bedi A. K., Sunkaria R. K. (2019). Merged LSTM Model for emotion classification using EEG signals. 2019 International conference on Data Science and Engineering (ICDSE), pp 139–143. DOI: 10.1109/ICDSE47409.2019.8971484.
Atkinson J., Campos D. (2016). Improving BCI-based emotion recognition by combining EEG feature selection and kernel classifiers. Expert Systems with Applications, Vol. 47, pp. 35–41. DOI: 10.1016/j.eswa.2015.10.049.
Huang C. (2021). Recognition of psychological emotion by EEG features. Network Modeling Analysis in Health Informatics and Bioinformatics, Vol. 10(1), pp. 1–11. doi: 10.1007/s13721-020-00283-2.
Subasi A., Tuncer T., Dogan S., Tanko D., Sakoglu U. (2021). EEG-based emotion recognition using tunable Q wavelet transform and rotation forest ensemble classifier. Biomedical Signal Processing and Control, Vol. 68, 102648. DOI:10.1016/j.bspc.2021.102648.
Pane E. S., Wibawa A. D., Purnomo M. H. (2019). Improving the accuracy of EEG emotion recognition by combining valence lateralization and ensemble learning with tuning parameters. Cognitive Processing, Vol. 20(4), pp. 405–417. DOI: 10.1007/s10339-019-00924-z.
Wei C., Chen L., Song Z., Lou X., Li D. (2020). EEG-based emotion recognition using simple recurrent units network and ensemble learning. Biomedical Signal Processing and Control, Vol. 58, 101756. doi:10.1016/j.bspc.2019.101756.
Mert A., Akan A. (2018). Emotion recognition based on time-frequency distribution of EEG signals using multivariate synchrosqueezing transform. Digital Signal Processing, Vol. 81, pp. 106–115. DOI:10.1016/j.dsp.2018.07.003.
Pandey P., Seeja K. R. (2019). Subject independent emotion recognition from EEG using VMD and deep learning. Journal of King Saud University - Computer and Information Sciences, Vol. 34, Iss. 5, pp. 1730-1738. DOI:10.1016/j.jksuci.2019.11.003.
Dragan Ya. P. (1997). Enerhetychna teoriia liniinykh modelei stokhastychnykh syhnaliv [Energy theory of linear models of stochastic signals]. Lviv: Center for Strategic Studies of Eco-BioTechnical Systems [Tsentr stratehichnykh doslidzhen eko-biotekhnichnykh system], 333 p.
Hvostivska L., Yavorskyy B. (2015). The pulse signal mathematical model for the man vessels state diagnostics systems informativity increasing. Transactions of Kremenchuk Mykhailo Ostrohradskyi National University, Vol. 6(95), pp. 29-34.
Lang P. J., Bradley M. M., and Cuthbert B. N. (2005). International Affective Picture System (IAPS): Affective Ratings of Pictures and Instruction Manual, NIMH center for the study of emotion & attention, Univ. Florida, Gainesvill.
##submission.downloads##
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Авторське право (c) 2023 Микола Хвостівський, Ірина Паньків, Ольга Фуч, Лілія Хвостівська, Роман Бойко, Василь Дунець
Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.
1. Автори залишають за собою право на авторство своєї роботи та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons Attribution License, котра дозволяє іншим особам вільно розповсюджувати опубліковану роботу з обов'язковим посиланням на авторів оригінальної роботи та першу публікацію роботи у нашому журналі.
2. Автори мають право укладати самостійні додаткові угоди щодо неексклюзивного розповсюдження роботи у тому вигляді, в якому вона була опублікована нашим журналом (наприклад, розміщувати роботу в електронному сховищі установи або публікувати у складі монографії), за умови збереження посилання на першу публікацію роботи у нашому журналі.
3. Політика журналу дозволяє і заохочує розміщення рукопису роботи авторами в мережі Інтернет (наприклад, на arXiv.org або на особистих веб-сайтах). Причому рукописи статей можуть бути розміщенні у відкритих архівах як до подання рукопису до редакції, так і під час його редакційного опрацювання. Це сприяє виникненню продуктивної наукової дискусії, позитивно позначається на оперативності ознайомлення наукової спільноти з результатами Ваших досліджень і як наслідок на динаміці цитування вже опублікованої у журналі роботи. Детальніше про це: The Effect of Open Access.
