تنک‌سازی رگرسیون PLS با استفاده از نرم-2 ضرایب وزن‌دار: کاربرد در حل مسئله بازشناسی احساسات

Abstract

سیگنال الکتریکی مغز به دلیل سهولت در ثبت، غیرتهاجمی بودن و دقت آن، کاربرد بسیار گسترده‌ای در حوزه‌های کلینیکی و تحقیقات دانشگاهی پیدا کرده است. یکی از کاربردها را می‌توان بازشناسی احساس از روی سیگنال الکتریکی مغزی دانست. برای مشخص کردن نوع احساس برانگیخته عموماً از دو معیار خوشایندی و انگیختگی استفاده می‌شود که به ترتیب "میزان مثبت یا منفی بودن" و "میزان برون‌فکنی یا هیجان ایجاد شده" را برای احساس خاص مشخص می‌نمایند. اهمیت احساس با توجه به عکس‌العمل‌های ناشی از این پدیده، در انجام وظایف روزانه به‌خصوص در مواردی که شخص با فعالیت‌هایی که نیاز به دقت و تمرکز دارند روبه‌روست، مشخص می‌شود.<br /> در مسئله بازشناسی احساس، ابتدا با استفاده از محرک‌های حسی مناسب، احساسات مختلف برای سوژه‌های مورد بررسی ایجاد شده و سیگنال‌های مغزی متناظر با هر تحریک ثبت می‌شوند. دو مرحله پردازش اصلی در حل مسئله بازشناسی احساسات، استخراج ویژگی‌های مناسب و استفاده از طبقه‌بندها یا رگرسیون‌های مناسب است. در پژوهش‌های پیشین، محرک‌های مختلف بینایی و شنوایی مورد استفاده قرار گرفته‌اند و ویژگی‌ها و طبقه‌بندهای متنوع خطی و غیرخطی بررسی شده‌اند.<br /> در این مقاله، هدف بهبود الگوریتم‌های رگرسیون خطی برای تخمین بهتر معیارهای بازشناسی احساسات انسانی بوده است. بدین منظور یک الگوریتم جدید ارائه شده است که از تنک بودن بردار ترکیب در کنار تابع هزینه رگرسیون خطی استفاده می‌کند. کارایی الگوریتم‌ ارائه شده بر روی داده‌های ساختگی بررسی شده‌ است و برتری آن نسبت به الگوریتم‌های رگرسیون خطی PLS، LASSO، SOPLS و Ridge نشان داده شده است. هم‌چنین برای اعمال الگوریتم‌ ارائه‌شده بر روی داده‌های EEG مربوط به بازشناسی احساسات، از مجموعه دادگان DEAP استفاده شده و ویژگی ضرایب مدل AR از سیگنال‌های EEG استخراج شده است. نتایج به دست آمده از الگوریتم‌ پیشنهادی با نتایج به دست آمده از دیگر الگوریتم‌ها مقایسه شده‌ است که در مجموع برتری نسبی الگوریتم ارائه‌شده را نشان می‌دهد.