感情認識のための深い学習ベースのアプローチ脳波（EEG）シグナルを使用した双方向の長期記憶（BI-LSTM）を使用したシグナル

感情は、毎日の人間のコミュニケーションの重要な部分です。脳の感情状態とダイナミクスは、より良いヒトマシン相互作用を提供するために、脳コンピューターインターフェイス（BCI）で使用できる脳波（EEG）シグナルによってリンクできます。感情認識の分野でいくつかの研究が行われています。ただし、EEGシグナルを使用した感情認識プロセスが直面している最も重要な問題の1つは、認識の精度です。このペーパーでは、データ選択、機能抽出、機能選択、分類段階を含むEEG信号を介した感情認識のための深い学習ベースのアプローチを提案します。感情認識モデルは心理的および行動障害の診断に役立つため、この研究は医療分野に役立ちます。この研究は、感情認識モデルのパフォーマンスを改善して、より正確な結果を得ることに貢献し、それが正しい医学的決定を下すのに役立ちます。この作業では、生理学的シグナル伝達（DEAP）を使用した感情分析の標準的な前処理データベースが使用されました。統計的特徴、ウェーブレット機能、およびハースト指数がデータセットから抽出されました。機能選択タスクは、バイナリグレーウルフオプティマイザーを通じて実装されました。分類段階では、積み重ねられた双方向の長期記憶（BI-LSTM）モデルを使用して、人間の感情を認識しました。この論文では、感情は覚醒、価数、好みの3つの主要なクラスに分類されます。提案されたアプローチは、過去の研究で使用された方法と比較して高精度を達成し、平均精度は99.45％、96.87％、99.68％の価、覚醒、および好みがそれぞれ感情認識モデルの高性能と見なされます。

Emotions are an essential part of daily human communication. The emotional states and dynamics of the brain can be linked by electroencephalography (EEG) signals that can be used by the Brain-Computer Interface (BCI), to provide better human-machine interactions. Several studies have been conducted in the field of emotion recognition. However, one of the most important issues facing the emotion recognition process, using EEG signals, is the accuracy of recognition. This paper proposes a deep learning-based approach for emotion recognition through EEG signals, which includes data selection, feature extraction, feature selection and classification phases. This research serves the medical field, as the emotion recognition model helps diagnose psychological and behavioral disorders. The research contributes to improving the performance of the emotion recognition model to obtain more accurate results, which, in turn, aids in making the correct medical decisions. A standard pre-processed Database of Emotion Analysis using Physiological signaling (DEAP) was used in this work. The statistical features, wavelet features, and Hurst exponent were extracted from the dataset. The feature selection task was implemented through the Binary Gray Wolf Optimizer. At the classification stage, the stacked bi-directional Long Short-Term Memory (Bi-LSTM) Model was used to recognize human emotions. In this paper, emotions are classified into three main classes: arousal, valence and liking. The proposed approach achieved high accuracy compared to the methods used in past studies, with an average accuracy of 99.45%, 96.87% and 99.68% of valence, arousal, and liking, respectively, which is considered a high performance for the emotion recognition model.