بخشی از مقاله
چکیده
به علت کاربردپذیری آسان، سیگنال پالس به عنوان جایگزینی برای سیگنال الکتروکاردیوگرام نه تنها در مراقبتهای بیمارستانی بلکه در علوم سلامت و مراقبتهای بالینی بطور گسترده بکار میرود. برخلاف سیگنال الکتروکاردیوگرام، موج پالس انگشت را به راحتی میتوان با یک سنسور ثبت نمود. تاکنون هیچ مطالعهای بر اثر احساسات بر این سیگنال صورت نگرفته است. بنابراین، هدف مطالعه حاضر، طبقهبندی سیگنال پالس در هنگام تماشای تحریکات احساسی با استفاده از شاخصی مبتنی بر ویژگی غیرخطی است تا تواناییهای این روش در تفکیک حالات احساسی در دو بعد ارزش و برانگیختگی مورد بررسی قرار گیرد. به علاوه، نقش پارامترهای جمعیت شناختی جنسیت و سن در عملکرد طبقهبند ارزیابی شده است
بدین منظور، سیگنالهای پالس 47 دانشجو، در هنگام تماشای تصاویر احساسی جمعآوری گردید. شاخصی مبتنی بر روش تجزیه به مد تجربی ارائه شد که به عنوان ورودی به ماشین بردار پشتیبان با حداقل مربعات در نظر گرفته شد. با استفاده از روش پیشنهادی، کلاسهای احساسی در ابعاد ارزش و برانگیختگی برای زنان و مردان و برای دو بازه سنی با تحلیل منحنی ROC و صحت طبقهبندی مورد ارزیابی قرار گرفت.
نتایج مطالعه حاضر نشان میدهد که روش پیشنهادی در تفکیک حالات احساسی عملکرد مناسبی داشته است. به علاوه، مادامی که دادههای مربوط به هر جنس بطور تفکیک شده در طبقهبند مورد بررسی قرار گیرد، عملکرد سیستم بطور چشمگیری افزایش مییابد. با توجه به سادگی ثبت سیگنال تحلیل شده و عملکرد مناسب الگوریتم ارائه شده، این روش میتواند در ارائه سیستمی خودکار برای بازشناسی احساسات مفید واقع گردد.
مقدمه
احساسات در زندگی روزمره بشری نقش مهمی در تعاملات و ارتباطات اجتماعی دارند و درک و تصمیمگیری مستدل را آسان مینماید . - Sander et al., 2005 - احساسات اساس شکلگیری ایدهها و تفکرات است و در شناخت و یادگیری بشر اهمیت و جایگاه ویژهای دارد
همچنین، بر بسیاری از فرآیندهای شناختی نظیر خلاقیت، حافظه و توجه تأثیرگذار است. بنابراین؛ ارزیابی احساسات در درک رفتار بشری ضروری است. احساسات را میتوان بطور لفظی از طریق کلمات احساساتی یا از طریق نشانههای غیرلفظی نظیر تون صدا، حالات چهره و حرکات و ژستهای دست و بدن بیان نمود. همچنین، تجلی احساسات متناظر با تغییرات فیزیولوژیکی - یعنی افزایش یا کاهش سرعت تنفسی و قلبی- عروقی، گرفتگی عضلانی و غیره - است که برای مشاهده این تغییرات میتوان از روشهای مانیتورینگ بدن، بخصوص ثبت سیگنالهای فیزیولوژیکی استفاده نمود.
یکی از کاربردهای مهم ثبت و تحلیل سیگنالهای حیاتی برقراری ارتباط انسان با محیط اطراف است کهعموماً از طریق ایجاد ابزار الکترونیکی و کامپیوتری انجام میشود. رابط انسان- کامپیوتر از روشهایی است که به منظور برقراری چنین ارتباطاتی پیشنهاد شده است
در حال حاضر اغلب رابطهای انسان- کامپیوتر قادر به تفسیر اطلاعات مربوط به محتوای احساساتی کاربر نیستند و نمیتوانند حالات احساساتی بشر را تشخیص دهند و در تصمیمگیری برای انجام واکنشهای مناسب به یک عمل از آن استفاده نمایند. بنابراین، هدف غایی بسیاری از مطالعات محاسباتی در تعامل انسان- کامپیوتر پر کردن این خلاء با تحلیل پاسخهای احساساتی است، به گونهای که با تفسیر این سیگنالها سیستم مجزایی برای تشخیص احساسات و انجام کارهای مورد نظر فرد طراحی گردد.
بطور کلی، تحلیل و آشکارسازی احساسات بشری با استفاده از سیستمهای خبره اثرات مستقیمی بر حیطههای مختلفی از زندگی بشری نظیر سلامت، امنیت، شبکههای اجتماعی، بازیهای رایانهای، سرگرمی، تبلیغات تجاری و غیره دارد. به عنوان مثال، در کاربردهای سلامت، تعامل میان بیمار و پزشک ممکن است مشکل یا غیرممکن باشد و بیمار نتواند احساس خود را به پزشک معالج بیان دارد - در بیماریهایی نظیر اوتیسم، اسکیزوفرنی و غیره - . مطلوب آن است که حتی اگر فرد قادر به بیان صحیح حالات احساسی خود نباشد، سیستم امکان تحلیل و آشکارسازی احساسات بیمار را برای پزشک فراهم سازد.
با توجه به کاربردهای فراوان که در بالا ذکر شد، مطالعه در زمینه بازشناسی، آشکارسازی و تحلیل احساسات بشری توجه محققان بسیاری را به خود جلب کرده و اهمیت و جایگاه ویژهای یافته است. شانل و همکاران - Chanel et al., - 2006، با ارزیابی ویژگیهای فرکانسی سیگنال الکتروآنسفالوگرام - EEG - و ویژگیهای زمانی سیگنالهای محیطی - پاسخ گالوانیک پوست، فشار خون، نرخ ضربان قلب، تنفس و دما - و استفاده از دو طبقهبند بیز و تحلیل جداساز فیشر - FDA - ، بعد برانگیختگی در احساسات را ارزیابی نمودند.
نتایج تحقیق آنها نشان داد که برای دو کلاس احساسات، میانگین صحت طبقهبند بیز برای ویژگیهای EEG، 54 درصد بوده است. در حالی که طبقهبند FDA اندکی بهتر از آن با درصد صحت 55 درصد، 53 درصد و 54 درصد به ترتیب برای ویژگیهای EEG، ویژگیهای فیزیولوژیکی و ترکیب ویژگیها عمل کرده است. در سال 2009 به منظور ارائه یک سیستم بازشناسی احساسات از چگالی نسبی طیف توان سیگنال EEG و شبکه بیز استفاده شد
هرچند، سیستم ارائه شده تنها قادر به تفکیک احساس لذت - با درصد صحت 70 درصد - بود و عملکرد مناسبی در بازشناسی حالات احساسی دیگر نداشت. کریبیگ - Kreibig, 2010 - با مرور چندین مطالعه، تحقیقی انجام داد تا رابطهای میان سیستم اعصاب خودمختار و احساسات بشری بیابد. نتایج تحقیق او نشان میدهد که احساسات مثبت و منفی پارامترهای متعددی از سیستم اعصاب خودمختار را تحت تأثیر قرار میدهند. در سال - Zhang and Lee, 2012; Zhang et al., 2012 - 2012، سیستم انفیسی ارائه شد که تحریکاتی از صحنههای طبیعی دریافت مینمود و از تحلیل سیگنالهای مغزی سوژهها به عنوان شاخصی برای حالت برانگیختگی فرد استفاده میکرد. نویسندگان ادعا کردند که این سیستم پیشنهادی قابلیت درک خودکار احساسات پیچیده بشری را با استفاده از حافظه ذخیره شده و دادههای جدید دارا است.
علاوه بر استفاده از روشهای مرسوم در تحلیل سیگنالهای بیولوژیکی - شامل تحلیل سری زمانی مبتنی بر روشهای خطی نظیر حوزههای زمان و فرکانس که بر خاصیت ایستایی سیگنال تأکید دارند - ، برخی از محققان دینامیکهای پیچیده سیستمهای بیولوژیکی را مورد توجه قرار دادهاند و از روشهای غیرخطی و مبتنی بر آشوب برای مسأله بازشناسی احساسات استفاده نمودهاند.
آفتاناس و همکاران - Aftanas et al., 1997 - حالتهای احساساتی مختلف - خنثی، حالت عاطفی مثبت و حالت عاطفی منفی - را با تحلیل دو روش غیرخطی در سیگنالهای EEG مورد ارزیابی قرار دادند. آنها نتیجه گیری کردند که افزایش دینامیکهای قشری تا یک سطح خاص برای عملکرد احساساتی مورد نیاز میباشد. اخیراً، عملکرد ویژگیهای آشوبگونه - تحلیل منحنیهای بازگشتی - و طبقهبند نزدیکترین همسایگی - KNN - در مسأله بازشناسی احساسات مورد بررسی قرار گرفته است که بکارگیری این روش موجب افزایش درصد صحت عملکرد شده است
همچنین، ناجی - Naji et al., 2014 - و همکاران، با ترکیب ویژگیهای فرکانسی و غیرخطی و استفاده از شبکه SVM توانستند صحت طبقهبندی بر بعد ارزش را افزایش بخشند.
مرور مقالات فوق نشان میدهد که در عمده مطالعات، نگاهها بر پردازشهای سیگنال EEG معطوف بوده و تحلیل سایر پارامترهای فیزیولوژیکی نادیده انگاشته شده است. اگرچه تحلیل سیگنالهای مغزی از اهمیت ویژهای برخوردار است، اما ثبت این سیگنال به دلیل دامنه کم و حساسیت شدید به نویز، دارای مشکلاتی میباشد و تحلیل سیگنالهایی با روشهای ثبت سادهتر نظیر سیگنالهای خودمختار - پالس - میتواند به عنوان جایگزینی مناسب مطرح گردد. از این رو، در تحقیق حاضر تلاش شده است که برای اولین بار عملکرد سیگنال پالس در ارزیابی و طبقهبندی احساسات مورد بررسی قرار گیرد.
ساختار و رئوس مطالب مقاله به شرح زیر است: جزئیات روش پیشنهادی شامل، پایگاه داده جمعآوری شده، استخراج ویژگی و تکنیک طبقهبندی در بخش روش تحقیق توضیح داده میشود. نتایج تجربی در بخش یافتهها آورده شده است و در نهایت در بخش آخر جمعبندی و نتیجهگیری از تحقیق ارائه میگردد.
روش تحقیق
در این مطالعه، از شاخصی مبتنی بر روش تجزیه به مد تجربی - EMD - برای استخراج ویژگی از سیگنال پالس استفاده شده است. سپس، ویژگیهای انتخابی به طبقهبند ماشین بردار پشتیبان با حداقل مربعات - LS-SVM - داده شد. بلوک دیاگرام مراحل انجام کار در شکل 1 آورده شده است.
