Будь ласка, використовуйте цей ідентифікатор, щоб цитувати або посилатися на цей матеріал:
http://elartu.tntu.edu.ua/handle/lib/41577| Назва: | Method and Algorithm of Electroencephalographic Signals Processing in Computer Medical Diagnostic Systems for Human Psychoemotional Indicators Detection |
| Автори: | Khvostivskyy, Mykola Pankiv, Iryna Fuch, Olha Khvostivska, Liliia Boyko, Roman Dunetc, Vasyl |
| Бібліографічний опис: | Khvostivskyy M.О., Pankiv I.M., Fuch O.V., Khvostivska L.V., Boyko R.R., Dunetc V.L., Kartashov V.V. Method and Algorithm of Electroencephalographic Signals Processing in Computer Medical Diagnostic Systems for Human Psychoemotional Indicators Detection. Visnyk NTUU KPI Seriia - Radiotekhnika Radioaparatobuduvannia, (91), pp. 63-71. DOI: 10.20535/RADAP.2023.91.63-71 |
| Журнал/збірник: | Visnyk NTUU KPI Seriia - Radiotekhnika Radioaparatobuduvannia |
| Дата публікації: | 31-бер-2023 |
| Дата подання: | жов-2022 |
| Дата внесення: | 16-чер-2023 |
| Видавництво: | Visnyk NTUU KPI Seriia - Radiotekhnika Radioaparatobuduvannia |
| Країна (код): | UA |
| Місце видання, проведення: | Visnyk NTUU KPI Seriia - Radiotekhnika Radioaparatobuduvannia |
| DOI: | 10.20535/RADAP.2023.91.63-71 |
| УДК: | 612.821.1 612.821.8 519.21 519.254 004.021 |
| Теми: | EEG signal psychoemotional load detection psychoemotional indicators periodically correlated random process synphase method informative computer medical diagnostic system software |
| Діапазон сторінок: | 63-71 |
| Короткий огляд (реферат): | The method and algorithm for electroencephalographic signals processing during psychoemotional stress are developed to increase the informativeness of computer medical diagnostic systems in order to detect temporal transitions between various psychoemotional states in people. The method and algorithm for electroencephalographic signals processing is based on a mathematical model in the form of a periodically correlated random process and the synphase processing method without taking into account the relationship between correlation components as psycho-emotional indicators of a human. Such the model and method provide detection of the appearance of changes in the temporal structure of the electroencephalographic signal based on the data of changes in the periodic component in the form of averaged correlation components obtained within time-shift windows, which quantitatively reflect psycho-emotional changes in a humanin stressful situations. It is found that during the period of background exposure, there is a gradual decrease in the power level of the averaged correlation components of the electroencephalographic signal, during the period of negative influence, there is an increase in power, and during the recovery period, there is a decrease in the power of the components in relation to the two previous impacts. Software are developed based on the synphase method for electroencephalographic signals processing during psycho-emotional stress in the Matlab software environment. |
| Зміст: | Вступ. Постановка задачi 1 Реєстрацiя та структура ЕЕГ-сигналу при психоемоцiйному навантаженнi 2 Математична модель ЕЕГ-сигналу при психоемоцiйному навантаженнi 3 Метод та алгоритм обробки ЕЕГ-сигналу при психоемоцiйному навантаженнi 4 Результати виявлення психоемоцiйних показникiв Висновки References |
| URI (Уніфікований ідентифікатор ресурсу): | http://elartu.tntu.edu.ua/handle/lib/41577 |
| Власник авторського права: | @ Khvostivskyy M., Pankiv I., Fuch O., Khvostivska L., Boyko R., Dunetc V., Kartashov, V. |
| URL-посилання пов’язаного матеріалу: | DOI: 10.20535/RADAP.2023.91.63-71 |
| Перелік літератури: | 1. Bratsas C., Papadelis C., Konstantinidis E., Pappas C. (2010) Towards emotion aware computing: An integrated approach using multi-channel neurophysiological recordings and affective visual stimuli. IEEE transactions on information technology in biomedicine: a publication of the IEEE Engineering in Medicine and Biology Society 14(3):589-597. DOI:10.1109/TITB.2010.2041553 2. Мельникова Т.С., Краснов В.Н., Лапин И.А., Андрушкявичус С.И. Дневная динамика характеристик ЭЭГ при циркулярных депрессивных расстройствах. Психическое здоровье, 2009. № 12. С. 43-47. 3. Лапшина Т.Н. ЭЭГ-индикация эмоциональных состояний человека. Вестник МГУ. Психология, 2004. № 2. С. 101-102. 4. Шпенков О., Тукаєв С., Зима І. Зміни активності головного мозку в гамма-діапазоні під час прослуховування рок-музики зі зниженим рівнем низьких частот. Вісн. КНУ ім. Т. Шевченка. Біологія, 2018. №1(75). С. 27-32. 5. Salim Klibi, Makram Mestiri, Imed Riadh Farah. Emotional behavior analysis based on EEG signal processing using Machine Learning: A case study. (2021) 2021 International Congress of Advanced Technology and Engineering (ICOTEN)At: Taiz, Yemen. PP.262-265. DOI:10.1109/ICOTEN52080.2021.9493537 6. Qing C., Qiao R., Xiangmin X., Cheng Y. (2019) Interpretable emotion recognition using EEG signals. IEEE Access 7:94160–94170. DOI:10.1109/ACCESS.2019.2928691 7. Sharma R., Pachori R.B., Sircar P. (2020) Automated emotion recognition based on higher order statistics and deep learning algorithm. Biomed Signal Process Control 58:101867. DOI:10.1016/j.bspc.2020.101867 8. Topic A., Russo M. (2021) Emotion recognition based on EEG feature maps through deep learning network. Engineering Science and Technology an International Journal 24(3–4). DOI:10.1016/j.jestch.2021.03.012 9. Sakalle A., Tomar P., Bhardwaj H., Acharya D., Bhardwaj A. (2021) A LSTM based deep learning network for recognizing emotions using wireless brainwave driven system. Expert Syst Appl 173:114516. DOI:10.1016/j.eswa.2020.114516 10. Zheng W-L., Zhu J-Y., Bao-Liang L. (2017) Identifying Stable Patterns over Time for Emotion Recognition from EEG. IEEE Trans Affect Comput 10(3):417–429. DOI:10.1109/TAFFC.2017.2712143 11. Song T., Zheng W., Song P., Cui Z. (2018) EEG emotion recognition using dynamical graph convolutional neural networks. IEEE Trans Affect Comput 11(3):532–541. DOI: 10.1109/TAFFC.2018.2817622 12. Liu S., Wang X., Zhao L., Zhao J., Xin Q., Wang S. (2020) Subject-independent emotion recognition of EEG signals based on dynamic empirical convolutional neural network. IEEE/ACM Trans Comput Biol Bioinform 18(5):1710-1721. DOI: 10.1109/TCBB.2020.3018137 13. Gupta R., Falk T.H. et al (2016) Relevance vector classifier decision fusion and EEG graph-theoretic features for automatic affective state characterization. Neurocomputing 174:875–884. DOI:10.1016/j.neucom.2015.09.085 14. Yin Z., Liu L., Chen J., Zhao B., Wang Y. (2020) Locally robust EEG feature selection for individual-independent emotion recognition. Expert Syst Appl 162:11376. DOI:10.1016/j.eswa.2020.113768 15. Joshi V.M., Ghongade R.B. (2020) IDEA: Intellect database for emotion analysis using EEG signal. Journal of King Saud University - Computer and Information Sciences 34(7). DOI:10.1016/j.jksuci.2020.10.007 16. Chakladar D.D., Chakraborty S. (2018) EEG based emotion classification using «Correlation Based Subset Selection». Biol Inspired Cognit Architec 24:98–106. DOI:10.1016/J.BICA.2018.04.012 17. Kumar N., Khaund K., Hazarika S.M. (2016) Bispectral analysis of EEG for emotion recognition. Procedia Comput Sci 84:31–35. DOI:10.1016/j.procs.2016.04.062 18. Arnau-González P., Arevalillo-Herráez M., Ramzan N. (2017) Fusing highly dimensional energy and connectivity features to identify affective states from EEG signals. Neurocomputing 244:81–89. DOI:10.1016/j.neucom.2017.03.027 19. Murugappan M., M. Rizon, Raghul Nagarajan, Sazali Yaacob. Time-Frequency Analysis of EEG Signals for Human Emotion Detection. (2008). 4th Kuala Lumpur International Conference on Biomedical Engineering 2008. PP.262-265. DOI:10.1007/978-3-540-69139-6_68 20. Iacoviello D., Petracca A., Spezialetti M., Placidi G. (2015) A real-time classification algorithm for EEG-based BCI driven by self-induced emotions. Comput Methods Programs Biomed 122(3):293–303. DOI:10.1016/j.cmpb.2015.08.011 21. Özerdem M.S., Polat H. (2017) Emotion recognition based on EEG features in movie clips with channel selection. Brain informatics 4(4):241–252. DOI:10.1007/s40708-017-0069-3 22. Alakus T.B., Gonen M., Turkoglu I. (2020) Database for an emotion recognition system based on EEG signals and various computer games-gameemo. Biomed Signal Process Control 60:101951. DOI:10.1016/j.bspc.2020.101951 23. Li M., Hongpei X., Liu X., Shengfu L. (2018) Emotion recognition from multichannel EEG signals using k-nearest neighbor classification. Technol Health Care 26(S1):509–519. DOI: 10.3233/THC-174836 24. Garg A., Kapoor A., Bedi A.K., Sunkaria R.K. (2019) Merged LSTM Model for emotion classification using EEG signals. In: 2019 International conference on Data Science and Engineering (ICDSE). IEEE, pp 139–143. DOI: 10.1109/ICDSE47409.2019.8971484 25. Atkinson J., Campos D. (2016) Improving BCI-based emotion recognition by combining EEG feature selection and kernel classifiers. Expert Syst Appl 47:35–41. DOI: 10.1016/j.eswa.2015.10.049 26. Huang C. (2021) Recognition of psychological emotion by EEG features. Network Model Analysis Health Inform Bioinform 10(1):1–11 27. Subasi A., Tuncer T., Dogan S., Tanko D., Sakoglu U. (2021) EEG-based emotion recognition using tunable Q wavelet transform and rotation forest ensemble classifier. Biomed Signal Process Control 68:102648. DOI:10.1016/j.bspc.2021.102648 28. Pane E.S., Wibawa A.D., Purnomo M.H. (2019) Improving the accuracy of EEG emotion recognition by combining valence lateralization and ensemble learning with tuning parameters. Cogn Process 20(4):405–417. DOI: 10.1007/s10339-019-00924-z 29. Wei C., Chen L., Song Z., Lou X., Li D. (2020) EEG-based emotion recognition using simple recurrent units network and ensemble learning. Biomed Signal Process Control 58:101756. doi:10.1016/j.bspc.2019.101756 30. Mert A., Akan A. (2018) Emotion recognition based on time-frequency distribution of EEG signals using multivariate synchrosqueezing transform. Digit Signal Process 81:106–115. DOI:10.1016/j.dsp.2018.07.003 31. Pandey P., Seeja K.R. (2019) Subject independent emotion recognition from EEG using VMD and deep learning. Journal of King Saud University - Computer and Information Sciences. 34:1730-1738. DOI:10.1016/j.jksuci.2019.11.003 32. Драґан Я.П. Енергетична теорія лінійних моделей стохастичних сигналів. Львів: Центр стратегічних досліджень еко-біо-технічних систем, 1997. ХVІ+333с 33. Хвостівська Л.В., Яворський Б.І. Математична модель пульсового сигналу для підвищення інформативності систем діагностики стану судин людини. Вісник Кременчуцького національного університету імені Михайла Остроградського. 2015. Випуск 6 (95). С.29-34 34. P. J. Lang, M. M. Bradley, and B. N. Cuthbert, International Affective Picture System (IAPS): Affective Ratings of Pictures and Instruction Manual, NIMH center for the study of emotion & attention, Univ. Florida, Gainesvill (2005) |
| Тип вмісту: | Article |
| Розташовується у зібраннях: | Наукові публікації працівників кафедри біотехнічних систем |
Файли цього матеріалу:
| Файл | Опис | Розмір | Формат | |
|---|---|---|---|---|
| Method and Algorithm of Electroencephalographic Signals Processing in Computer Medical Diagnostic Systems for Human Psychoemotional Indicators Detection.pdf | Khvostivskyy M.О., Pankiv I.M., Fuch O.V., Khvostivska L.V., Boyko R.R., Dunetc V.L., Kartashov V.V. Method and Algorithm of Electroencephalographic Signals Processing in Computer Medical Diagnostic Systems for Human Psychoemotional Indicators Detection. Visnyk NTUU KPI Seriia - Radiotekhnika Radioaparatobuduvannia, (91), pp. 63-71. DOI: 10.20535/RADAP.2023.91.63-71. | 1,12 MB | Adobe PDF | Переглянути/відкрити |
Усі матеріали в архіві електронних ресурсів захищені авторським правом, всі права збережені.
Інструменти адміністратора