عنوان

پیاده‌سازی یک سیستم تشخیص عواطف با استفاده از سیگنال-های فیزیولوژیکی بر روی‮‭FPGA‬

شماره

‭۱۳۱۰۱پ‬

زبان متن نوشتاري يا گفتاري و مانند آن

per

عنوان اصلي

پیاده‌سازی یک سیستم تشخیص عواطف با استفاده از سیگنال-های فیزیولوژیکی بر روی‮‭FPGA‬

نام نخستين پديدآور

/زینب محمدی ینگیجه

نام ناشر، پخش کننده و غيره

: مهندسی برق

متن يادداشت

چاپی

جزئيات پايان نامه و نوع درجه آن

کارشناسی ارشد

نظم درجات

مهندسی برق

زمان اعطا مدرک

‮‭۱۳۹۳/۰۶/۲۵‬

کسي که مدرک را اعطا کرده

تبریز

متن يادداشت

تشخیص و بررسی تغییرات حالات احساسی می‌صتواند در تسریع درمان‌ص‍ بیماری‌صها موثر واقع شود .بنابراین می-توان از نتایج ارزیابی حالت‌صهای احساسی برای کنترل علائم بهبود بیمار استفاده نمود .کمک به بهبودی اختلالاتی شامل، اختلال بیش‌صفعالی یا کمبود توجه، اختلال استرس، افسردگی، اختلال خواب و اختلال طیف اوتیسم، کارایی‌صهای مهمتری برای یک سیستم تشخیص احساسات هستند .از کاربردهای سیستم تشخیص احساسات به عنوان رابط انسان و رایانه می‌صتوان به این موارد اشاره کرد :سنجش حالات احساسی افراد هنگام تعامل با تکنولوژی‌صهای جدید و بازی‌صهای رایانه‌صای و یا هسته یک سیستم مدار بسته که به عنوان سیستم هشدار دهنده برای آگاهی از اینکه یک فرد ناتوان یا سالخورده چه زمانی به کمک نیاز دارد .در این پروژه، احساسات در دو بعد ظرفیت برانگیختگی با استفاده از سیگنال‌ص‍ ‮‭EEG‬ و سیگنال تنفسی با در نظر گرفتن حداقل تعداد کانال و باند فرکانسی طبقه‌صبندی شده‌صاند .با استفاده از تبدیل موجک گسسته سیگنال ‮‭EEG‬ و سیگنال تنفسی به زیرباندهای فرکانسی تجزیه شده و ویژگی‌صهای مختلف از آن‌صها استخراج شده است .از چند طبقه‌صبندی کننده متفاوت برای تشخیص حالت‌صهای احساسی از روی ویژگی‌صهای استخراج شده، استفاده شد .نتایج نرم‌صافزاری نشان می‌صدهند طبقه بندی کننده منتخب، برای سطح برانگیختگی صحت ‮‭۸۶.۷۵‬ و برای سطح ظرفیت صحت ‮‭۸۴.۰۵‬ را برای ‮‭۱۰‬ کانال ‮‭EEG‬ بدست می‌صدهد .این نتایج در مقایسه با کارهای دیگر عملکرد بسیار مناسب سیستم را نشان می‌صدهد .به منظور پیاده سازی بهینه سیستم بر روی تراشه ی ‮‭FPGA‬ از شرکت ‮‭Xilinx‬ به شماره‮‭۴LX۲۵ - virtex‬، دردو حالت مجزا، از ‮‭۲‬ و ‮‭۴‬ کانال ‮‭EEG‬ استفاده شد .در سیستم پیاده شده مقدار انرژی باند گاما و انرژی سیگنال اولیه بطور هم‌صزمان محاسبه شده و سپس بر هم تقسیم می‌صشوند .طبقه بندی کننده با دسته بندی ویژگی بدست آمده به تشخیص حالت احساسی سیگنال می‌صپردازد .حجم سخت‌صافزاری استفاده شده از ‮‭FPGA‬ برای ‮‭۲‬ کانال ‮‭۵۴‬ و برای ‮‭۴‬ کانال ‮‭۹۹‬ می-باشد .مقایسه نتایج نرم‌صافرازی و سخت‌صافزاری نشان می-دهد که این سیستم قادر به تشخیص احساسات با میزان صحت قابل قبول است

متن يادداشت

ecognition and assessing changes in emotional states, can be effective in speeding up the treatment of diseases. Therefore, we can evaluate the results of emotional state to control symptoms of illness. Contribute to improve disorders, including attention deficit hyperactivity disorder (ADHD), stress and sleep disorders, depression and autism spectrum disorder are more important efficiencies for the emotion recognition system. As human-computer interface applications of emotion recognition systems, can be pointed in these cases: assess the emotional state of individuals when interacting with new technology, computer games and the core of a closed circuit system as a warning system to notifying you when the disabled or elderly person needs help. In this project, the emotions in valence - arousal dimensions have been classified using the minimum number of channels and frequency bands of EEG and respiration signals. Using the discrete wavelet transform (DWT), the EEG and respiration signals have been decomposed to frequency bands and subsequently features have been extracted. Several classifiers have been used to detect the emotional state from the extracted features. For the 10-channel EEG, software results illustrates that the classification accuracy of 86.75 for arousal level and 84.05 for valence level. The results in comparison with pervious reviews, our system provides very good performance. In order to implement an optimal system on Xilinx FPGA chip, virtex-4LX25, two separate modes of 2 and 4 channel EEG was used. In the implemented system, the energy of gamma-band and energy of the original signal has been calculated simultaneously and then divided into each other. To detect the emotional state, the classifier categorizes extracted features. The hardware implementations used 54 and 99 of the FPGA for 2 and 4 channel respectively. Comparison of software and hardware results illustrates that the system is able to detect the emotions with reasonable accuracy

مستند نام اشخاص تاييد نشده

محمدی ینگیجه، زینب

مستند نام اشخاص تاييد نشده

فرونچی،جواد، استاد راهنما

مستند نام اشخاص تاييد نشده

فرنام، علیرضا، استاد مشاور

يادداشت عمومي

سیاه و سفید

وضعیت فهرست نویسی

نمایه‌سازی قبلی