Αναγνώριση συναισθήματος από σήματα ηλεκτροεγκεφαλογραφήματος με χρήση ευφυών τεχνικών

Σερεντέλλος, Βασίλειος; Serentellos, Vasileios

dc.contributor.author	Σερεντέλλος, Βασίλειος	el
dc.contributor.author	Serentellos, Vasileios	en
dc.date.accessioned	2018-03-23T09:18:47Z
dc.date.available	2018-03-23T09:18:47Z
dc.date.issued	2018-03-23
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/46766
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.15175
dc.rights	Αναφορά Δημιουργού-Όχι Παράγωγα Έργα 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by-nd/3.0/gr/	*
dc.subject	Αναγνώριση συναισθήματος	el
dc.subject	Emotion recognition	en
dc.subject	Συναισθηματική υπολογιστική	el
dc.subject	Affective computing	en
dc.subject	Αλληλεπίδραση ανθρώπου μηχανής	el
dc.subject	Human computer interaction	en
dc.subject	Ηλεκτροεγκεφαλογράφημα	el
dc.subject	EEG	en
dc.subject	Μηχανική μάθηση	el
dc.subject	Machine learning	en
dc.title	Αναγνώριση συναισθήματος από σήματα ηλεκτροεγκεφαλογραφήματος με χρήση ευφυών τεχνικών	el
dc.title	EEG based emotion recognition with the usage of machine learning techniques	en
heal.type	bachelorThesis
heal.classification	Ευφυή συστήματα	el
heal.classification	Intelligent systems	en
heal.classificationURI	http://data.seab.gr/concepts/aeeca99fc63e5f271c42e25accff2693ca5625d7
heal.classificationURI	http://data.seab.gr/concepts/aeeca99fc63e5f271c42e25accff2693ca5625d7
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2017-12-20
heal.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.	el
heal.abstract	The purpose of this diploma thesis is the examination of the quality of various approaches towards emotion recognition through the processing of electroencephalogram (EEG) signals and the usage of machine learning techniques. In recent years, emotion classification from EEG data is attracting growing attention due to the rapid development of non-invasive recording systems of the biosignals of the human brain, which render that procedure easier and more reliable. The fact that these signals derive from unintentional brain function, thus it is impossible to be manipulated, renders their extracted information highly important for understanding various human emotional states and their relationship with discrete physiologic functionalities, as well as the construction of a highly accurate emotion recognition system. In the premises of the present diploma thesis the necessary concepts for understanding the subject of EEG-based emotion recognition are initially introduced, while subsequently the functionality and the results of the various machine learning systems, having been constructed and tested on an experimental dataset, are thoroughly presented. In particular, the developed systems were constructed in 3 phases. In the first of them, multiple types of features were extracted from the signals of the dataset in order for the feature array, on which the final classification was going to be based, to be constructed. In the second phase, due to the huge volume of the extracted features 4 Feature Selection methods were implemented. More analytically, the methods used were ReliefF, Cohen’s f2, minimum-Redundancy-Maximum-Relevance (mRMR) and Infinite Feature Selection (Inf-FS), the functionality of which is wholly explained in the present work. In the last phase the selected features from the methods mentioned above were given as input to 5 classifiers (Quadratic Discriminant Analysis - QDA, K-Nearest Neighbors - KNN, Random Forest, Support Vector Machine - SVM, Deep Belief Network - DBN), in order for the final results to be produced. Finally, the results from the various systems, which were developed from the combination of the feature selection and classification techniques, are compared and evaluated, while future research directions are also given.	en
heal.advisorName	Σταφυλοπάτης, Ανδρέας-Γεώργιος	el
heal.committeeMemberName	Σταφυλοπάτης, Ανδρέας-Γεώργιος	el
heal.committeeMemberName	Τσανάκας, Παναγιώτης	el
heal.committeeMemberName	Στάμου, Γεώργιος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών. Τομέας Συστημάτων Μετάδοσης Πληροφορίας και Τεχνολογίας Υλικών. Εργαστήριο Ευφυών Επικοινωνιών και Δικτύων Ευρείας Ζώνης	el
heal.academicPublisherID	ntua
heal.numberOfPages	84 σ.
heal.fullTextAvailability	true