DOI: https://doi.org/10.1038/s41598-024-60977-9
PMID: https://pubmed.ncbi.nlm.nih.gov/38710806
تاريخ النشر: 2024-05-06
المؤلف: Nasim Ahmadzadeh Nobari Azar وآخرون
الموضوع الرئيسي: التعرف على العواطف والمزاج
نظرة عامة
تتناول ورقة البحث الدور المهم للتعرف على المشاعر في تقييم حالات المرضى والتنبؤ بنتائج الصحة المستقبلية. تواجه الطرق التقليدية، وخاصة تلك التي تعتمد على تعبيرات الوجه، تحديات بسبب إمكانية إخفاء المشاعر. لمعالجة ذلك، تستكشف الدراسة استخدام إشارات تخطيط الدماغ الكهربائي (EEG)، التي تقدم وسيلة أكثر موثوقية لاكتشاف المشاعر. ومع ذلك، تكافح الأساليب التقليدية في التعلم الآلي مع تعقيد بيانات EEG، مما يؤدي إلى نتائج غير متسقة. يقترح المؤلفون نموذج شبكة عصبية ضبابية تلافيفية محسنة (CFNN)، والتي تدمج تقنيات التعلم العميق لتحسين دقة التعرف على المشاعر.
توضح الدراسة نهجًا منهجيًا يتضمن المعالجة المسبقة واستخراج الميزات من إشارات EEG، تليها التصنيف باستخدام بنية CFNN المعدلة. تظهر النتائج التجريبية أن النموذج المقترح يحقق دقة متوسطة مثيرة للإعجاب تبلغ 98.21% للانفعالات (السرور) و98.08% للانفعال (الشدة)، متفوقًا على الأساليب الحديثة الموجودة. يؤكد المؤلفون على مزايا استخدام إشارات EEG على الطرق المعتمدة على الصور، حيث لا يمكن التلاعب ببيانات EEG، مما يضمن دقة أكبر في التعرف على المشاعر. ستركز الأعمال المستقبلية على توسيع قدرات النموذج للتعرف على المشاعر متعددة الفئات.
النتائج
في قسم النتائج، أظهر النموذج المقترح أداءً مثاليًا خلال التحقق المتقاطع بخمسة أضعاف (K = 5)، محققًا أعلى دقة، ودرجة F1، ودقة. بالنسبة للاسترجاع ومقاييس أخرى، أسفر نسبة التدريب والاختبار 75:25 عن ثاني أفضل النتائج، مما دفع إلى اتخاذ قرار بإجراء تجارب لاحقة باستخدام هذه النسبة لتعزيز كفاءة التدريب. اختلف أداء النموذج مع أحجام النوافذ المختلفة (4، 8، 16، 32، 64، 128)، حيث اعتبرت الأحجام 4 و8 أقل فعالية في تصنيف المشاعر. في النهاية، حقق النموذج الذي يستخدم نسبة 75:25 وحجم نافذة 32 درجات F1 تبلغ 98.39 للانفعالات و97.93 للانفعال.
أظهر نموذج CFNN المقترح قدرات تصنيف كبيرة، محققًا دقة متوسطة تبلغ 98% من خلال تقنيات الدمج، ويعزى ذلك إلى محاكاة المنطق الضبابي للتفكير البشري وتعديلات الوزن الدورية التي خففت من الإفراط في التكيف. كشفت التحليلات المقارنة أن الطرق التقليدية مثل SVM وKNN أدت أداءً ضعيفًا، بدقة بلغت 55% و61% على التوالي، بينما حسنت Bidirectional-LSTM معدلات التعرف لكنها لا تزال أقل من 1D-CNN، الذي حقق 88.87% للانفعالات و83.35% للانفعال. بالمقابل، تفوقت الطريقة المقترحة على الجميع، محققة 98.21% و98.08% للانفعالات والانفعال، على التوالي، كما هو موضح في نتائج الدراسة المقارنة ومصورة في الأشكال المرفقة.
المناقشة
في قسم المناقشة من ورقة البحث، يستعرض المؤلفون أساليب مختلفة للتعرف على المشاعر باستخدام إشارات EEG، مشيرين إلى هيمنة تقنيات التعلم الآلي (ML) والتعلم العميق (DL) في الدراسات الحديثة. يوضحون عدة طرق ML، مثل الجار الأقرب (KNN)، آلة الدعم الناقل (SVM)، وأشجار القرار، التي تم استخدامها لتصنيف بيانات EEG. ومن الجدير بالذكر أن التقنيات التي تستخدم تحليل نطاق التردد، وخاصة نطاق غاما، أظهرت دقة متفوقة في اكتشاف المشاعر. كما يذكر المؤلفون التقدم في DL، بما في ذلك استخدام الشبكات العصبية التلافيفية (CNN) وشبكات الذاكرة طويلة وقصيرة الأجل (LSTM)، التي حسنت أداء التصنيف من خلال استخراج الميزات بفعالية من إشارات EEG.
يؤكد المؤلفون على أهمية استخراج الميزات والمعالجة المسبقة في تعزيز دقة النموذج، مشيرين إلى أن نموذج شبكة CFNN المقترح تفوق على الأساليب الموجودة بنسبة 6-17% في مقاييس الدقة. ويبلغون عن نتائج مثيرة للإعجاب تبلغ 98.21% و98.08% لتصنيف الانفعالات والانفعال، على التوالي، تم تحقيقها من خلال مزيج من استخراج الميزات عبر تحويل فورييه السريع (FFT) ودمج المنطق الضبابي في إطار الشبكة العصبية. تختتم المناقشة بالتأكيد على قوة إشارات EEG في التعرف على المشاعر وإمكانية العمل المستقبلي لاستكشاف تطبيقات متعددة الفئات لطريقتهم المقترحة.
القيود
يسلط قسم القيود الضوء على عدة تحديات متأصلة في دراسات التعرف على المشاعر، بما في ذلك التباين في إجراءات جمع البيانات، والأدوات، وأهداف البحث. تؤدي هذه التباينات إلى مجموعات بيانات متنوعة تعيق التحقق من الأساليب المقترحة باستخدام مجموعات بيانات خارجية. بالإضافة إلى ذلك، لم يتم اختبار النموذج المقدم في الدراسة عبر مجموعات بيانات ذات خصائص متباينة، مما يثير القلق بشأن إمكانية تعميم النتائج. وبالتالي، هناك حاجة إلى مزيد من التحقيق لتقييم قابلية تطبيق النموذج في سيناريوهات الوقت الحقيقي.
DOI: https://doi.org/10.1038/s41598-024-60977-9
PMID: https://pubmed.ncbi.nlm.nih.gov/38710806
Publication Date: 2024-05-06
Author(s): Nasim Ahmadzadeh Nobari Azar et al.
Primary Topic: Emotion and Mood Recognition
Overview
The research paper discusses the significant role of emotion recognition in assessing patient conditions and predicting future health outcomes. Traditional methods, particularly those relying on facial expressions, face challenges due to the potential for emotional concealment. To address this, the study explores the use of Electroencephalography (EEG) signals, which offer a more reliable means of emotion detection. However, conventional machine learning approaches struggle with the complexity of EEG data, leading to inconsistent results. The authors propose an enhanced Convolutional Fuzzy Neural Network (CFNN) model, which integrates deep learning techniques to improve emotion recognition accuracy.
The study details a systematic approach involving pre-processing and feature extraction of EEG signals, followed by classification using the modified CFNN architecture. Experimental results demonstrate that the proposed model achieves impressive average accuracies of 98.21% for valence (pleasantness) and 98.08% for arousal (intensity), outperforming existing state-of-the-art methods. The authors emphasize the advantages of using EEG signals over image-based methods, as EEG data cannot be manipulated, thus ensuring more accurate emotion recognition. Future work will focus on extending the model’s capabilities to multiclass emotion recognition.
Results
In the results section, the proposed model demonstrated optimal performance during five-fold cross-validation (K = 5), achieving the highest accuracy, F1-score, and precision. For recall and other metrics, a 75:25 training and testing ratio yielded the second-best results, prompting the decision to conduct subsequent experiments using this ratio to enhance training efficiency. The model’s performance varied with different window sizes (4, 8, 16, 32, 64, 128), with 4 and 8 sizes deemed less effective for emotion classification. Ultimately, the model with a 75:25 ratio and a window size of 32 achieved F1 scores of 98.39 for valence and 97.93 for arousal.
The proposed CFNN model exhibited significant classification capabilities, achieving an average accuracy of 98% through fusion techniques, attributed to fuzzy logic’s emulation of human reasoning and periodic weight adjustments that mitigated overfitting. Comparative analysis revealed that traditional methods like SVM and KNN performed poorly, with accuracies of 55% and 61%, respectively, while Bidirectional-LSTM improved recognition rates but still fell short of the 1D-CNN, which achieved 88.87% for valence and 83.35% for arousal. In contrast, the proposed method outperformed all, achieving 98.21% and 98.08% for valence and arousal, respectively, as detailed in the comparative study results and visualized in the accompanying figures.
Discussion
In the discussion section of the research paper, the authors review various approaches to emotion recognition using EEG signals, highlighting the predominance of machine learning (ML) and deep learning (DL) techniques in recent studies. They detail several ML methods, such as K-Nearest Neighbor (KNN), Support Vector Machine (SVM), and Decision Trees, which have been employed for classifying EEG data. Notably, techniques utilizing frequency band analysis, particularly the gamma band, have shown superior accuracy in emotion detection. The authors also mention advancements in DL, including the use of Convolutional Neural Networks (CNN) and Long Short-Term Memory (LSTM) networks, which have improved classification performance by effectively extracting features from EEG signals.
The authors emphasize the significance of feature extraction and pre-processing in enhancing model accuracy, noting that their proposed Convolutional Fuzzy Neural Network (CFNN) model outperformed existing methods by 6-17% in accuracy metrics. They report impressive results of 98.21% and 98.08% for valence and arousal classification, respectively, achieved through a combination of feature extraction via Fast Fourier Transform (FFT) and the integration of fuzzy logic into the neural network framework. The discussion concludes by underscoring the robustness of EEG signals in emotion recognition and the potential for future work to explore multiclass implementations of their proposed method.
Limitations
The section on limitations highlights several challenges inherent in emotional recognition studies, including variability in data acquisition procedures, tools, and research objectives. These discrepancies result in diverse datasets that hinder the validation of proposed methods using external datasets. Additionally, the model presented in the study has not been tested across datasets with varying characteristics, which raises concerns about the generalizability of the findings. Consequently, further investigation is necessary to assess the model’s applicability in real-time scenarios.