Využití EEG ve vyhodnocování emocionálních stavů člověka

Abstract

Diplomová práce se zabývá možnostmi zpracování EEG a klasifikací emocí do tříd v rámci emočního dvoudimenzionálního prostoru. První část tvoří literární rešerše na téma využití záznamu EEG pro zachycení emoční odezvy člověka na stimulační podněty zvukového, vizuálního a audiovizuálního (multimediálního) charakteru. Je zde diskutováno hledisko emoce z pohledu fyziologie a psychologie. Následně jsou uvedený technické poznatky ze záznamu emoce různými modalitami a jejich zpracování, analýzy a klasifikace v rámci dvoudimenzionálního prostoru Valence - Arousal. Na základě teoretických poznatků byl navržený komplexní postup měření a vyhodnocení emocí za použití EEG. Za tímto účelem byly sestaveny dva měřící protokoly s audiovizuální stimulací. Dále je zde uveden postup předzpracování a analýzy dat, výběr příznaků a klasifikace za použití moderních i zavedených metod. Celý navržený postup byl následně realizován a otestován v rámci dvou měření za využití moderního EEG přístroje EGI GES 400MR v laboratorních podmínkách a komerčního, cenově dostupného přístroje Emotiv EPOC v podmínkách mimo laboratorní prostředí. Signály byly zpracovány a emoce klasifikovány na základě vybraných popisných elementů. Výsledkem práce je hodnocení úspěšnosti klasifikace emocí v různých konfiguracích pro výběr popisných elementů a klasifikačních metod a jejich parametrů.This thesis is focused on EEG processing and emotion classification within two-dimensional emotion space. First part consists of theoretical research about emotional responses of human subjects on sound, image and video stimuli. Emotions are examined from aspect of physiology and psychology. Furthermore technical overview of measurement, analysis and emotion classification within two-dimensional emotional space is discussed. Based on gathered knowledge measurement setup with audiovisual stimuli was designed and measured with two independent instruments – EGI GES400MR in laboratory conditions and Emotiv EPOC device in non-laboratory conditions. Signals were processed and emotions were classified based on chosen features. Performance of classifiers in multiple feature selection setups was evaluated.