DOI: https://doi.org/10.1007/s11042-024-18259-z
تاريخ النشر: 2024-03-01
المؤلف: Kübra Erat وآخرون
الموضوع الرئيسي: تخطيط الدماغ وواجهات الدماغ-الكمبيوتر
نظرة عامة
تقدم هذه الورقة البحثية مراجعة منهجية للأدبيات حول أنظمة واجهة الدماغ-الكمبيوتر (BCI) المعتمدة على تخطيط الدماغ الكهربائي (EEG) للتعرف على العواطف، حيث تم تحليل 216 دراسة نشرت بين عامي 2016 و2020 عبر قواعد بيانات مختلفة. تشمل المراجعة جميع مكونات أنظمة BCI المعتمدة على EEG، بما في ذلك وحدات تحفيز الإشارة، وتقنيات معالجة الإشارة، وخوارزميات التصنيف. تشير النتائج الرئيسية إلى أن الأبعاد العاطفية من القيمة والانفعال يتم استحضارها بشكل أساسي من خلال المحفزات السمعية البصرية، مع جمع البيانات بشكل رئيسي من المشاركين البالغين باستخدام سماعة EEG Emotiv Epoc. تسلط الدراسة الضوء على الاستخدام الشائع لمرشحات النطاق الترددي للمعالجة المسبقة، واستخراج ميزات نطاق التردد، وطرق التصنيف مثل آلات الدعم الناقل (SVM)، والشبكات العصبية الاصطناعية (ANN)، والانحدار اللوجستي (LR). تم تحديد الدقة كمقياس الأداء الرئيسي في الأدبيات التي تمت مراجعتها.
تؤكد المراجعة على أهمية أنظمة BCI المعتمدة على EEG في تعزيز التفاعل بين الإنسان والكمبيوتر (HCI) من خلال توفير رؤى غير جراحية وفي الوقت الحقيقي حول الحالات العاطفية. بينما تقدم هذه الأنظمة مزايا مثل التكلفة الفعالة وقابلية النقل، لا تزال هناك تحديات، بما في ذلك الحاجة إلى طرق استخراج ميزات قوية ومعالجة التباين بين الأفراد في نشاط الدماغ. كما تؤكد الدراسة على أهمية البروتوكولات الموحدة لاستحضار العواطف وجمع البيانات لتحسين الموثوقية. من خلال تحديد اتجاهات البحث والفجوات، تهدف هذه المراجعة إلى توجيه التحقيقات المستقبلية في هذا المجال، مما يعزز التقدم في تقنيات التعرف على العواطف وتطبيقاتها عبر مجالات مختلفة، بما في ذلك الرعاية الصحية، والتعليم، والترفيه.
مقدمة
تسلط مقدمة الورقة البحثية الضوء على التأثير الكبير للعواطف على العمليات المعرفية واتخاذ القرار، مشددة على أهميتها في التواصل الشخصي والحياة اليومية. يجادل المؤلفون بأن التقدم في الذكاء الاصطناعي، والحوسبة العاطفية، وواجهات الدماغ-الكمبيوتر (BCIs) يعتمد على القدرة على التعرف على العواطف البشرية والتنبؤ بها. لقد تطورت BCIs، التي تسمح للمستخدمين بالتفاعل مع الأنظمة الحاسوبية من خلال الإشارات الكهربائية التي يولدها الدماغ، من مساعدة الأفراد ذوي الإعاقة الجسدية إلى استخدامها من قبل مستخدمين أصحاء عبر مجالات مختلفة، بما في ذلك الترفيه، والتعليم، والتواصل. تقدم هذه التطورات فرص بحث جديدة في التفاعل بين الإنسان والكمبيوتر (HCI) والحقول ذات الصلة.
تناقش الورقة أيضًا موثوقية الطرق المختلفة للتعرف على العواطف، مشيرة إلى أن الطرق الفسيولوجية، وخاصة تلك التي تستخدم تخطيط الدماغ الكهربائي (EEG)، أكثر فعالية من الطرق غير الفسيولوجية مثل تعبيرات الوجه أو نغمات الصوت. يتم تسليط الضوء على BCIs المعتمدة على EEG لطبيعتها غير الجراحية وقدرتها على تقييم الحالات العاطفية بدقة، مما يجعلها أدوات قيمة في كل من الإعدادات السريرية والبحثية. يحدد المؤلفون المكونات الرئيسية للتعرف على العواطف باستخدام BCIs المعتمدة على EEG ويلاحظون وجود فجوة في الأدبيات بشأن الدراسات الشاملة التي تشمل جميع هذه المكونات في سياق HCI وBCIs العاطفية. وبالتالي، تهدف الدراسة إلى إجراء مراجعة منهجية لتجميع الأبحاث الحالية، وتحديد الاتجاهات، وتقديم رؤى للتطورات المستقبلية في هذا المجال.
طرق
تصنف قسم طرق استحضار العواطف هذه التقنيات إلى طرق سلبية ونشطة. تشمل الطرق السلبية استخدام المحفزات مثل الصور، ومقاطع الأفلام، والموسيقى، بينما تشرك الطرق النشطة المشاركين في تفاعلات اجتماعية أو سيناريوهات واقعية. تكشف التحليلات أن المحفزات السمعية البصرية، وخاصة مقاطع الأفلام القصيرة، هي الأكثر استخدامًا، حيث تمثل 31% من الدراسات (N = 67). في المقابل، يتم استخدام الاستحضار القائم على الصوت من خلال الموسيقى في 12% من الدراسات (N = 26)، وتكون الطرق البصرية باستخدام الصور أقل شيوعًا بنسبة 10% (N = 22). بالإضافة إلى ذلك، تضم عدد قليل من الدراسات (N = 17، 8%) مهام معدة مسبقًا مثل الألعاب أو السيناريوهات التنافسية، بينما تستخدم فقط 3% (N = 6) تقنيات استحضار متنوعة.
كما يتم الإشارة إلى استخدام قواعد بيانات العواطف المتاحة للجمهور، حيث تستخدم 10% من المقالات (N = 19) نظام الصور العاطفية الدولية (IAPS) و2% (N = 4) تستخدم مكتبة الصوت الرقمي العاطفي الدولية (IADS). تشير بعض الدراسات (N = 3، 2%) إلى قاعدة بيانات الصور العاطفية في جنيف (GAPED). من الجدير بالذكر أن 23% من المقالات (N = 41) تحتوي على محفزات أنشأها الباحثون أنفسهم، بينما لا تحدد أكثر من نصف المقالات (N = 103، 57%) نوع المحفز المستخدم. وهذا يبرز تباينًا كبيرًا في الطرق المستخدمة لاستحضار العواطف عبر الأدبيات التي تمت مراجعتها.
مناقشة
تسلط قسم المناقشة في الورقة الضوء على أهمية تخطيط الدماغ الكهربائي (EEG) في فهم الحالات العاطفية من خلال نشاط الدماغ. يعتبر EEG، وهو طريقة غير جراحية وفعالة من حيث التكلفة، وسيلة لالتقاط الإمكانات الكهربائية الناتجة عن النشاط العصبي، مما يوفر رؤى حول العمليات المعرفية والعاطفية. يؤكد القسم على السياق التاريخي لـ EEG، الذي بدأه هانس بيرجر في عام 1924، ويستعرض نظام وضع الأقطاب القياسية (نظام 10/20 الدولي) المستخدم في تسجيل موجات الدماغ، والتي تصنف إلى خمسة نطاقات ترددية: دلتا، ثيتا، ألفا، بيتا، وغاما. يرتبط كل نطاق بحالات عقلية مختلفة، على الرغم من أن التعريفات والارتباطات تختلف عبر الدراسات.
تناقش الورقة أيضًا تعقيد تعريف العواطف، مشيرة إلى عدم وجود توافق في الأدبيات. تقارن النماذج الفئوية، مثل نموذج إيكمان العاطفي المنفصل، بالنماذج البُعدية مثل نموذج الدائرة العاطفية لراسل، التي تصنف العواطف بناءً على القيمة والانفعال. علاوة على ذلك، يتم استكشاف إمكانية واجهات الدماغ-الكمبيوتر (BCIs) المعتمدة على EEG للتعرف على العواطف، مع توضيح العمليات المعنية في اكتساب الإشارة، والمعالجة، والتصنيف. يختتم القسم بتلخيص مجموعات بيانات EEG المتاحة للجمهور والمنهجيات المستخدمة في دراسات التعرف على العواطف، مما يبرز أهمية تقنيات معالجة الإشارة القوية وتقنيات التعلم الآلي في تعزيز دقة تصنيف العواطف.
DOI: https://doi.org/10.1007/s11042-024-18259-z
Publication Date: 2024-03-01
Author(s): Kübra Erat et al.
Primary Topic: EEG and Brain-Computer Interfaces
Overview
This research paper presents a systematic literature review of EEG-based Brain-Computer Interface (BCI) systems for emotion recognition, analyzing 216 studies published between 2016 and 2020 across various databases. The review encompasses all components of EEG-based BCI systems, including signal stimulus modules, signal processing techniques, and classification algorithms. Key findings indicate that emotional dimensions of valence and arousal are primarily elicited through audio-visual stimuli, with data predominantly collected from adult participants using the Emotiv Epoc EEG headset. The study highlights the common use of bandpass filters for preprocessing, frequency domain feature extraction, and classification methods such as Support Vector Machines (SVM), Artificial Neural Networks (ANN), and Logistic Regression (LR). Accuracy is identified as the primary performance metric in the reviewed literature.
The review underscores the significance of EEG-based BCIs in enhancing human-computer interaction (HCI) by providing real-time, non-invasive insights into emotional states. While these systems offer advantages such as cost-effectiveness and portability, challenges remain, including the need for robust feature extraction methods and addressing inter-subject variability in brain activity. The study also emphasizes the importance of standardized protocols for emotion elicitation and data collection to improve reliability. By identifying research trends and gaps, this review aims to guide future investigations in the field, fostering advancements in emotion recognition technologies and their applications across various domains, including healthcare, education, and entertainment.
Introduction
The introduction of the research paper highlights the significant influence of emotions on cognitive processes and decision-making, emphasizing their importance in personal communication and daily life. The authors argue that advancements in artificial intelligence, affective computing, and brain-computer interfaces (BCIs) hinge on the ability to recognize and predict human emotions. BCIs, which allow users to interact with computational systems through brain-generated electrical signals, have evolved from aiding physically impaired individuals to being utilized by healthy users across various domains, including entertainment, education, and communication. This evolution presents new research opportunities in human-computer interaction (HCI) and related fields.
The paper further discusses the reliability of different methods for emotion recognition, noting that physiological approaches, particularly those using electroencephalography (EEG), are more effective than non-physiological methods like facial gestures or voice tones. EEG-based BCIs are highlighted for their non-invasive nature and their capacity to accurately assess emotional states, making them valuable tools in both clinical and research settings. The authors identify key components of emotion recognition using EEG-based BCIs and note a gap in the literature regarding comprehensive studies that encompass all these components within the context of HCI and affective BCIs. Consequently, the study aims to conduct a systematic review to synthesize existing research, identify trends, and provide insights for future developments in the field.
Methods
The section on emotion elicitation methods categorizes these techniques into passive and active approaches. Passive methods involve the use of stimuli such as images, film clips, and music, while active methods engage participants in social interactions or realistic scenarios. The analysis reveals that audio-visual stimuli, particularly short film clips, are the most frequently employed, accounting for 31% of studies (N = 67). In contrast, audio-based elicitation through music is utilized in 12% of studies (N = 26), and visual-based methods using images are less common at 10% (N = 22). Additionally, a small number of studies (N = 17, 8%) incorporate prepared tasks like games or competitive scenarios, while only 3% (N = 6) employ diverse elicitation techniques.
The use of publicly available emotion databases is also noted, with 10% of articles (N = 19) utilizing the International Affective Picture System (IAPS) and 2% (N = 4) using the International Affective Digital Sound library (IADS). A few studies (N = 3, 2%) reference the Geneva Affective Picture Database (GAPED). Notably, 23% of the articles (N = 41) feature stimuli created by the researchers themselves, while over half (N = 103, 57%) do not specify the type of stimulus used. This highlights a significant variability in the methods employed for emotion elicitation across the reviewed literature.
Discussion
The discussion section of the paper highlights the significance of electroencephalography (EEG) in understanding emotional states through brain activity. EEG, a non-invasive and cost-effective method, captures electrical potentials generated by neuronal activity, providing insights into cognitive and emotional processes. The section emphasizes the historical context of EEG, initiated by Hans Berger in 1924, and details the standard electrode placement system (the international 10/20 system) used for recording brain waves, which are categorized into five frequency bands: delta, theta, alpha, beta, and gamma. Each band is associated with different mental states, although definitions and associations vary across studies.
The paper also discusses the complexity of defining emotions, noting the lack of consensus in the literature. It contrasts categorical models, such as Ekman’s discrete emotional model, with dimensional models like Russell’s circumplex model, which classify emotions based on valence and arousal. Furthermore, the potential of EEG-based brain-computer interfaces (BCIs) for emotion recognition is explored, detailing the processes involved in signal acquisition, processing, and classification. The section concludes by summarizing the various publicly available EEG datasets and the methodologies employed in emotion recognition studies, underscoring the importance of robust signal processing and machine learning techniques in enhancing the accuracy of emotion classification.