Μοντέλα εποπτευόμενης μηχανικής μάθησης για αναγνώριση συναισθήματος μέσω διεπαφής εγκεφάλου υπολογιστή σε παιχνίδια σοβαρού σκοπού για την υγεία

Παναγιωτόπουλος, Ιωσήφ-Γεώργιος; Panagiotopoulos, Iosif-Georgios

dc.contributor.author	Παναγιωτόπουλος, Ιωσήφ-Γεώργιος	el
dc.contributor.author	Panagiotopoulos, Iosif-Georgios	en
dc.date.accessioned	2022-07-21T08:08:56Z
dc.date.available	2022-07-21T08:08:56Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/55462
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.23160
dc.rights	Default License
dc.subject	Συναισθηματική υπολογιστική	el
dc.subject	Ταξινόμηση συναισθημάτων	el
dc.subject	ΗΕΓ	el
dc.subject	Παιχνίδια σοβαρού σκοπού	el
dc.subject	Μηχανική μάθηση	el
dc.subject	Affective computing	en
dc.subject	EEG	en
dc.subject	Emotion classification	en
dc.subject	Serious games	en
dc.subject	Machine learning	en
dc.subject	Διεπαφή υπολογιστή-εγκεφάλου	el
dc.subject	Brain-Computer interface	en
dc.title	Μοντέλα εποπτευόμενης μηχανικής μάθησης για αναγνώριση συναισθήματος μέσω διεπαφής εγκεφάλου υπολογιστή σε παιχνίδια σοβαρού σκοπού για την υγεία	el
heal.type	bachelorThesis
heal.classification	Πληροφορική	el
heal.classification	Συστήματα μετάδοσης πληροφορίας	el
heal.language	el
heal.language	en
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2022-02-28
heal.abstract	Στο πλαίσιο της παρούσας διπλωματικής εργασίας διερευνάται η δυνατότητα αξιοποίησης δεδομένων διεπαφής υπολογιστή-εγκεφάλου για την αναγνώριση συναισθήματος κατά την αλληλεπίδραση με παιχνίδια σοβαρού σκοπού για την υγεία. Για το σκοπό αυτό, πραγματοποιήθηκε εξαγωγή χαρακτηριστικών από ηλεκτροεγκεφαλογραφικές (ΗΕΓ) καταγραφές που προέρχονται από τη βάση δεδομένων DREAMER και συλλέχθηκαν κατά τη διάρκεια διέγερσης των υποκειμένων της βάσης από κινηματογραφικό υλικό. Για την ανάπτυξη μοντέλων ταξινόμησης που βασίζονται σε εποπτευόμενη μηχανική μάθηση, αξιοποιήθηκε το μοντέλο περιγραφής συναισθημάτων VAD, που αξιοποιεί τις κλίμακες σθένους (Valence), διέγερσης (Arousal) και κυριαρχίας (Dominance). Τα δέντρα αποφάσεων ενισχυμένης κλίμακας χαρακτηρίστηκαν από την καλύτερη απόδοση αναγνώρισης συναισθήματος σε συγκριτική μελέτη που πραγματοποιήθηκε ανάμεσα σε μοντέλα εποπτευόμενης μηχανικής μάθησης. Η διπλωματική εργασία ολοκληρώνεται με την παρουσίαση του εννοιολογικού πλαισίου ενός παιχνιδιού σοβαρού σκοπού που ενσωματώνει ως είσοδο το συναίσθημα του χρήστη, όπως προκύπτει από τον ταξινομητή που αναπτύχθηκε στο πλαίσιο της διπλωματικής εργασίας, και έχει ως στόχο την ρύθμιση συναισθημάτων.	el
heal.abstract	In the present Diploma Thesis, the potential of utilizing brain computer interface data for emotion recognition within the context of serious games for health has been explored. For this purpose, electroencephalogram (EEG) features were extracted from the DREAMER database, which contains data collected during the stimulation of subjects from cinematographic material. Classification models based on supervised machine learning, were developed to classify emotions using Valence, Arousal and Dominance (according to VAD emotion description model). Gradient boosted decision trees were characterized by the best performance of emotion recognition in a comparative study of different supervised machine learning models. The Thesis concludes with the conceptual framework of a serious game that utilizes the exported classification results and aims at providing users with an emotion regulation tool.	en
heal.advisorName	Νικήτα, Κωνσταντίνα	el
heal.committeeMemberName	Νικήτα, Κωνσταντίνα	el
heal.committeeMemberName	Σταφυλοπάτης, Ανδρέας -Γεώργιος	el
heal.committeeMemberName	Στάμου, Γιώργος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών. Τομέας Συστημάτων Μετάδοσης Πληροφορίας και Τεχνολογίας Υλικών	el
heal.academicPublisherID	ntua
heal.numberOfPages	93 σ.	el
heal.fullTextAvailability	false