Ein fraktalbasierter Algorithmus zur Emotionserkennung aus dem EEG unter Verwendung des Arousal-Valence-Modells
Nuri Djavit
Aktualisiert am
06.04.2015
Ein fraktalbasierter Algorithmus zur Emotionserkennung aus dem EEG unter Verwendung des Arousal-Valence-Modells
Nuri Djavit
Aktualisiert am
06.04.2015
Ein fraktalbasierter Algorithmus zur Emotionserkennung aus dem EEG unter Verwendung des Arousal-Valence-Modells
Nuri Djavit
Aktualisiert am
06.04.2015
Olga Sourina, Yisi Liu.Nanyang Technological University, Nanyang Ave, Singapur
Zusammenfassung
Die Emotionserkennung aus dem EEG könnte in vielen Anwendungen eingesetzt werden, da sie es uns ermöglicht, die „innere“ Emotion unabhängig vom menschlichen Gesichtsausdruck, Verhalten oder der verbalen Kommunikation zu erkennen. In dieser Arbeit haben wir einen neuartigen, auf fraktaler Dimension (FD) basierenden Emotionserkennungsalgorithmus unter Verwendung eines Arousal-Valence-Emotionsmodells vorgeschlagen und beschrieben. FD-Werte, die aus dem von den entsprechenden Gehirnlappen aufgezeichneten EEG-Signal berechnet werden, werden auf das 2D-Emotionsmodell abgebildet. Der vorgeschlagene Algorithmus ermöglicht es uns, Emotionen zu erkennen, die durch Erregungs- und Valenzniveaus definiert werden können. Zur Emotionserkennung werden nur 3 Elektroden benötigt. Für die EEG-Analyse und den Vergleich wurden Higuchi- und Box-Counting-Algorithmen verwendet. Zur Erkennung von Erregungs- und Valenzniveaus wurde der Support-Vector-Machine-Klassifikator angewendet. Die vorgeschlagene Methode ist subjektunabhängig. Es wurden Experimente mit Musik- und Tonstimuli zur Erzeugung menschlicher Emotionen durchgeführt. In den Experimenten wurden Soundclips aus der Datenbank International Affective Digitized Sounds (IADS) verwendet.
Olga Sourina, Yisi Liu.Nanyang Technological University, Nanyang Ave, Singapur
Zusammenfassung
Die Emotionserkennung aus dem EEG könnte in vielen Anwendungen eingesetzt werden, da sie es uns ermöglicht, die „innere“ Emotion unabhängig vom menschlichen Gesichtsausdruck, Verhalten oder der verbalen Kommunikation zu erkennen. In dieser Arbeit haben wir einen neuartigen, auf fraktaler Dimension (FD) basierenden Emotionserkennungsalgorithmus unter Verwendung eines Arousal-Valence-Emotionsmodells vorgeschlagen und beschrieben. FD-Werte, die aus dem von den entsprechenden Gehirnlappen aufgezeichneten EEG-Signal berechnet werden, werden auf das 2D-Emotionsmodell abgebildet. Der vorgeschlagene Algorithmus ermöglicht es uns, Emotionen zu erkennen, die durch Erregungs- und Valenzniveaus definiert werden können. Zur Emotionserkennung werden nur 3 Elektroden benötigt. Für die EEG-Analyse und den Vergleich wurden Higuchi- und Box-Counting-Algorithmen verwendet. Zur Erkennung von Erregungs- und Valenzniveaus wurde der Support-Vector-Machine-Klassifikator angewendet. Die vorgeschlagene Methode ist subjektunabhängig. Es wurden Experimente mit Musik- und Tonstimuli zur Erzeugung menschlicher Emotionen durchgeführt. In den Experimenten wurden Soundclips aus der Datenbank International Affective Digitized Sounds (IADS) verwendet.
Olga Sourina, Yisi Liu.Nanyang Technological University, Nanyang Ave, Singapur
Zusammenfassung
Die Emotionserkennung aus dem EEG könnte in vielen Anwendungen eingesetzt werden, da sie es uns ermöglicht, die „innere“ Emotion unabhängig vom menschlichen Gesichtsausdruck, Verhalten oder der verbalen Kommunikation zu erkennen. In dieser Arbeit haben wir einen neuartigen, auf fraktaler Dimension (FD) basierenden Emotionserkennungsalgorithmus unter Verwendung eines Arousal-Valence-Emotionsmodells vorgeschlagen und beschrieben. FD-Werte, die aus dem von den entsprechenden Gehirnlappen aufgezeichneten EEG-Signal berechnet werden, werden auf das 2D-Emotionsmodell abgebildet. Der vorgeschlagene Algorithmus ermöglicht es uns, Emotionen zu erkennen, die durch Erregungs- und Valenzniveaus definiert werden können. Zur Emotionserkennung werden nur 3 Elektroden benötigt. Für die EEG-Analyse und den Vergleich wurden Higuchi- und Box-Counting-Algorithmen verwendet. Zur Erkennung von Erregungs- und Valenzniveaus wurde der Support-Vector-Machine-Klassifikator angewendet. Die vorgeschlagene Methode ist subjektunabhängig. Es wurden Experimente mit Musik- und Tonstimuli zur Erzeugung menschlicher Emotionen durchgeführt. In den Experimenten wurden Soundclips aus der Datenbank International Affective Digitized Sounds (IADS) verwendet.
Weiterlesen