ارزیابی کمی کارایی سیگنالهای فیزیولوژیک در تشخیص هوشمند حالت هیجانی به منظور مراقبتهای بهداشتی و درمانی

نوع مقاله: مقاله علمی فارسی

نویسندگان

دانشگاه اصفهان

چکیده

نظارت بر تغییرات حالت هیجانی می­تواند در مراقبت­های بهداشتی و درمانی و تحقیقات بالینی مفید واقع شود. حالت­های هیجانی مختلف باعث ایجاد الگوهای متفاوت در سیگنال­های فیزیولوژیک می­شوند. در نتیجه می­توان از این سیگنال­ها برای بازشناسی حالت­های هیجانی استفاده کرد. در این تحقیق با استفاده از قطعات فیلم استاندارد، هیجان­های شادی، خشم، ناراحتی و آرامش مطابق با چهار ربع فضای برانگیختگی و جاذبه بر روی 24 داوطلب سالم ایجاد می­شوند. به صورت همزمان سیگنال­های فعالیت الکتریکی قلب، فعالیت الکتریکی ماهیچه، تنفسی و رسانایی پوست، ثبت می­شوند. پس از پیش­پردازش­های لازم شامل قطعه­بندی، هموارسازی، هنجارسازی، حذف نویز و درست­نماها و حذف رانش خط پایه، ویژگی­های متنوع در حوزه زمان و فرکانس از سیگنال­ها استخراج می­شود. روش‌های مختلف استخراج و انتخاب ویژگی برای استخراج و انتخاب مجموعه مناسبی از ویژگی‌ها مورد  مقایسه قرار گرفته‌اند. در ادامه از چند طبقه‌بندی کننده متفاوت برای تشخیص حالت‌های هیجانی از روی مجموعه ویژگی‌های بهینه استفاده شده است. در نهایت کارایی سیگنال­ها در تشخیص هیجان­ها به صورت کیفی و کمی با یکدیگر مقایسه شده است. نتایج، نشان­دهنده کارایی متفاوت هر نوع از سیگنال­ها در تشخیص هیجان­های مشخص است. همچنین نتایج نشان می‌دهند که طبقه‌بندی کننده منتخب با استفاده از مجموعه مناسبی از ویژگی‌های منتخب قادر است در بیشتر از 70% موارد حالت هیجانی را به‌طور صحیح تشخیص دهد.

کلیدواژه‌ها


عنوان مقاله [English]

Quantitative Assessment of the Efficiency of Physiological Signals in Emotional State Recognition for Healthcare Applications

نویسندگان [English]

  • M. Emadi Andani
  • M.R. Yazdchi
  • B. Mojarradshafie
University of Isfahan

کلیدواژه‌ها [English]

  • Emotional state recognition
  • Physiological signal processing
  • Analysis of variance
  • Fisher linear discriminant analysis
  • artificial neural network
  • Support Vector Machine
  • Decision Tree
  • Bayesian network

بر این اصل استوار است که برای هر کمیتی یک توزیع احتمال وجود دارد که با مشاهده یک داده جدید و استدلال در مورد توزیع احتمال آن می‌توان تصمیمات بهینه‌ای اتخاذ کرد. شبکه بیزین تمام وابستگی‌های شرطی بین ویژگی­ها را در نظر می­گیرد. بیز ساده[i] یک الگوریتم یادگیری ساده و کاراست که با فرض استقلال شرطی و نادیده گرفتن وابستگی بین ویژگی­ها، باعث کاهش پیچیدگی می­شود که در این تحقیق از روش بیز ساده استفاده می­شود ]28[.

ایده اصلی درخت تصمیم مبتنی بر این حقیقت است که هر ویژگی داده ورودی می­تواند برای تصمیم­گیری استفاده شود و داده­ها به زیرمجموعه­های کوچکتری تقسیم می‌شوند. این الگوریتم از بهره اطلاعات[ii] نرمال (مبتنی بر تفاوت آنتروپی) استفاده نموده، ویژگی با بالاترین بهره اطلاعاتی را برای تصمیم­گیری انتخاب می­کند. بر اساس آن داده­های ورودی به زیر مجموعه­های کوچکتر تقسیم می‌شوند. در این تحقیق از نسخه J48 درخت تصمیم استفاده شده است که از شیوه­هایی برای هرس کردن درخت همراه با بهبود خطای دسته­بندی و اجتناب از برازش بیش از حد استفاده می­شود ]26[.

هر کدام از این روش­های یادگیری نقاط قوت و ضعفی دارد. برای مثال، شبکه عصبی و SVM صحت طبقه­بندی بالایی ایجاد می­کنند و در برابر طبقه­بندی نمونه‌هایی با وابستگی بالا مقاوم هستند. در عوض، روش­های بیز و درخت تصمیم ویژگی­هایی، همچون سرعت یادگیری و دسته­بندی بالا، مقاومت در برابر فقدان داده و شفافیت توصیف دانش (درک آسان عملیات انجام گرفته توسط روش یادگیری) را دارند ]26[. هیچ االگوریتم یادگیری خاصی نیست که در تمام موارد بهتر از سایر الگوریتم‌ها عمل کند. در نتیجه، در رویارویی با یک مسأله، ساده‌ترین راه، انتخاب تعدادی از الگوریتم­ها بسته به نوع مسأله، تخمین کارایی آنها از جنبه­های مختلف در حل مسأله و درنهایت انتخاب الگوریتم بهینه است ]26[.

 

1- نتایج

در ادامه، نتایج حاصل از اعمال روش­های کاهش ویژگی و دسته­بندی (معرفی شده در بخش قبل) بر روی داده­ها را ارزیابی می‌کنیم.

 

1-1- نتایج طبقه‌بندی با استفاده از ویژگی­های استخراج شده از هر نوع از سیگنال­ها

در ابتدا با استفاده از روش ANOVA، ویژگی­هایی را که مقدار P-value آنها کمتر از 05/0 است، برای دسته­بندی انتخاب می­کنیم. در نهایت 17 ویژگی از سیگنال ECG، 12 ویژگی از سیگنال RSP، 2 ویژگی از سیگنال SCL و 5 ویژگی از سیگنال EMG انتخاب می­گردد.

به­منظور مقایسه کیفی توانایی هر یک از چهار سیگنال در طبقه­بندی چهار حالت هیجانی، چگونگی توزیع ویژگی‌های هر یک از چهار سیگنال را نمایش می­دهیم. بدین منظور، از روش FLDA برای نمایش توزیع ویژگی­ها در دو بعد استفاده شده است. شکل (8) تصویر ویژگی­ها در دو بعد و چگونگی توزیع ویژگی­های هر یک از چهار سیگنال ECG، RSP، SCL و EMG را به صورت کیفی نشان می­دهد.

شکل (8): چگونگی توزیع ویژگی­های هر یک از چهار سیگنال الف) ECG ب)RSP ج) SCL د) EMG به­منظور مقایسه کیفی توانایی هر یک از چهار سیگنال در طبقه­بندی حالت­های هیجانی

 

برای دسته­بندی از نرم­افزار [iii]WEKA­ نسخه 3.6.3 و الگوریتم آموزشMLP استفاده شده است. تعداد نرون­های لایه مخفی برابر نصف مجموع تعداد ویژگی­ها و تعداد دسته‌هاست. تعداد اپوک­ها[iv] برابر 500، میزان خطا برای توقف آموزش برابر 001/0، نرخ یادگیری[v] برابر 3/0 و ممنتم[vi] برابر 2/0 در نظر گرفته شده است.

برای آموزش و آزمون دسته­بندی کننده از روش ارزیابی متقابل kتایی[vii] استفاده شده است؛ به این صورت که مجموع داده­ها به­صورت تصادفی به K‌ قسمت تقسیم و یادگیری K مرتبه تکرار می­گردد. در هر مرتبه K-1 قسمت برای آموزش و یک قسمت برای آزمایش استفاده می­شود و میانگین نتایج به­دست آمده، به­عنوان نتیجه ارزیابی ارائه می­گردد ]26[. در این پژوهش k مقدار متداول 10 در نظر گرفته­ شده است.

برای ارزیابی نتایج دسته­بندی از معیارهای متعارفی چون حساسیت[viii]، اختصاصی بودن[ix]، دقت[x] و ناحیه زیرمنحنی[xi]ROC (AUC[xii]) استفاده می­کنیم که با رابطه‌های 4 تا 7 مشخص می­شوند.

حساسیت (TPR[xiii]):

(4)

 

 

نرخ طبقه­بندی اشتباه مشاهدات (FPR[xiv]):

(5)

 

اختصاصی بودن ([xv]TNR):

(6)

 

دقت (PPV[xvi]):

(7)

 

ناحیه زیر منحنیROC (AUC):

 

منحنی ROC یا منحنی مشخصه عملکرد سیستم تغییرات دو معیار حساسیت و اختصاصی بودن را نسبت به هم نشان می­دهدAUC . بیانگر مساحت ناحیه زیر این منحنی است. جدول (1) نتایج را نشان می‌دهد.

 

جدول (1): نتایج حاصل از دسته­بندی چهار حالت هیجانی شادی، خشم، ناراحتی و آرامش با استفاده از ویژگی­های استخراج شده از هر یک از چهار سیگنال ECG، RSP، SCL و EMG

ویژگی­های استخراج شده از هر سیگنال

دسته

TPR

TNR

PPV

AUC

ECG

شادی

833/0

904/0

741/0

935/0

خشم

792/0

917/0

76/0

763/0

ناراحتی

5/0

819/0

48/0

891/0

آرامش

375/0

861/0

474/0

692/0

متوسط

625/0

875/0

614/0

82/0

RSP

 

شادی

542/0

917/0

684/0

758/0

خشم

926/0

935/0

776/0

945/0

ناراحتی

833/0

847/0

645/0

889/0

آرامش

458/0

847/0

5/0

64/0

متوسط

708/0

903/0

707/0

822/0

SCL

شادی

625/0

847/0

577/0

744/0

خشم

642/0

858/0

582/0

781/0

ناراحتی

25/0

875/0

333/0

612/0

آرامش

292/0

931/0

389/0

634/0

متوسط

452/0

792/0

47/0

692/0

EMG

شادی

625/0

917/0

714/0

789/0

خشم

75/0

889/0

692/0

848/0

ناراحتی

542/0

819/0

5/0

692/0

آرامش

458/0

833/0

478/0

672/0

متوسط

594/0

865/0

596/0

75/0

با توجه به شکل (8( و جدول (1) مشاهده می­شود توانایی هر یک از سیگنال­های فیزیولوژیک در طبقه­بندی حالات هیجانی مختلف متفاوت است و ویژگی­های استخراج شده از هر کدام از سیگنال­ها برای تفکیک حالات هیجانی مشخصی بهتر عمل می­کند. ویژگی­های استخراج شده از سیگنال­ ECG برای تفکیک حالت­های شادی و خشم مناسب است و برای حالت­های ناراحتی و آرامش ضعیف عمل می­کند. ویژگی­های استخراج شده از سیگنال RSP برای تفکیک حالت­های خشم و ناراحتی مناسب است و برای حالت­های شادی و آرامش ضعیف عمل می­کند. ویژگی­های استخراج شده از سیگنال­های­ EMG و SCL برای تفکیک حالت­های شادی و خشم مناسب است و برای حالت­های ناراحتی و آرامش ضعیف عمل می­کند.

به طور کلی، ویژگی­های استخراج شده از هر چهار سیگنال در تفکیک حالت آرامش ضعیف عمل می­کنند، درصورتی­که به­طور تقریبی ویژگی­های استخراج شده از هر چهار سیگنال حالت خشم را با حساسیت بالایی تفکیک می­کنند. برای تفکیک دو حالت شادی و ناراحتی توانایی ویژگی­های مختلف متفاوت است. به­صورت کلی، مشخص می­گردد که فرآیند تفکیک در راستای محور برانگیختگی آسانتر از محور جاذبه است.

 

1-2- نتایج طبقه‌بندی با استفاده از مجموع ویژگی‌ها

در این مرحله چهار روش دسته­بندی معرفی شده در بخش 5  بار دیگر با استفاده از مجموع ویژگی­های مناسب استخراج شده از سیگنال­های ECG، RSP، SCL و EMG انجام شده است. تنظیم پارامترهای شبکه MLP مانند قبل در نظر گرفته شده است. همچنین، پارامترهای روش­های دیگر برای نیل به بهترین نتیجه تنظیم شده است. در روش SMO از کرنل چند جمله­ای[xvii] استفاده شده است. در روش درخت تصمیم J48، ضریب اطمینان[xviii] 25/0 و حداقل تعداد نمونه­ در هر برگ دو در نظر گرفته شده است و در روش بیز ساده از تخمین­زننده کرنل استفاده نشده است. روش آموزش و آزمون نیز به منظور قابلیت مقایسه نتایج مانند قبل در نظر گرفته شده است. جدول (2) نتایج حاصل در تفکیک چهار حالت هیجانی را با استفاده از چهار روش دسته­بندی نشان می­دهد.

جدول (2): نتایج حاصل در طبقه­بندی چهار حالت هیجانی با استفاده از مجموع ویژگی­های مناسب هر چهار نوع سیگنال به وسیله چهار روش دسته­بندی

نوع طبقه‌بندی­کننده- روش یادگیری

دسته

TPR

TNR

PPV

AUC

ANN-MLP

شادی

917/0

944/0

846/0

97/0

خشم

1

986/0

96/0

1

ناراحتی

875/0

917/0

778/0

954/0

آرامش

583/0

944/0

778/0

854/0

متوسط

844/0

948/0

84/0

944/0

SVM-SMO

شادی

875/0

944/0

84/0

917/0

خشم

958/0

986/0

958/0

99/01

ناراحتی

875/0

904/0

75/0

928/0

آرامش

625/0

944/0

789/0

783/0

متوسط

833/0

944/0

834/0

905/0

 

BN-Naive Bayes classifier

شادی

75/0

903/0

72/0

879/0

خشم

833/0

986/0

952/0

94/0

ناراحتی

792/0

875/0

679/0

856/0

آرامش

542/0

875/0

591/0

699/0

متوسط

729/0

91/0

735/0

843/0

Decision tree-J48

شادی

875/0

972/0

913/0

936/0

خشم

1

986/0

96/0

993/0

ناراحتی

625/0

847/0

577/0

802/0

آرامش

542/0

875/0

591/0

857/0

متوسط

76/0

92/0

76/0

897/0

 

مشاهده می­شود که ترکیب ویژگی­های استخراج شده از چهار سیگنال نتایج دسته­بندی را به طور قابل ملاحظه‌ای بهبود می­بخشد. با وجود این، تمامی روش­ها در تفکیک حالت هیجانی آرامش ضعیف عمل می­کنند. تمامی روش‌ها حالت هیجانی خشم را به خوبی تفکیک می­کنند و برای تفکیک دو حالت خشم و ناراحتی نتایج قابل قبولی دارند. همچنین، مشاهده می­شود طبقه­بندی­کننده­های MLP و SVM، کارایی بالایی دارند. با وجود این، با توجه به نتایج قابل قبول طبقه­بندی­کننده­های مبتنی بر روش بیز و درخت تصمیم­گیری و همچنین، مزیت­های این طبقه­بندی­کننده­ها نسبت به طبقه­بندی­کننده­های قبلی، استفاده از این طبقه‌بندی­کننده­ها برای این بازشناسی اولویت خواهد داشت.

 

1-3- تأثیر روش‌های کاهش ویژگی در تشخیص صحیح حالت‌های هیجانی

در این مرحله کارایی روش­های کاهش ویژگی معرفی شده در بخش 5 در بهبود نتایج ارزیابی می‌شود. پس از به‌کارگیری روش­های مختلف کاهش ویژگی بار دیگر از چهار روش دسته­بندی و روش آموزش و آزمون با شرایط قبل استفاده می­کنیم. در ابتدا پس از ادغام کلیه ویژگی­های استخراج شده از چهار نوع سیگنال (بدون انتخاب آنها) با استفاده از روش PCA ابعاد را به هشت کاهش می­دهیم و دسته­بندی انجام می­شود. سپس بار دیگر پس از انتخاب ویژگی­های مناسب از چهار نوع سیگنال با روش ANOVA از  PCAبرای کاهش ابعاد استفاده می­کنیم و دسته­بندی را بار دیگر انجام می­دهیم. در ادامه، با استفاده از روش فیلتر CFS کاهش ابعاد را انجام می­دهیم و دسته­بندی بار دیگر انجام می­گردد.

در نهایت، با استفاده از روش رپر برای انتخاب ویژگی استفاده می­کنیم. سپس بار دیگر دسته­بندی را انجام می­دهیم. هر بار نوع دسته­بندی کننده ارزیابی در روش رپر را همان روش دسته­بندی مورد نظر برای تفکیک انتخاب می­کنیم. جدول (3) نتایج حاصل را بر اساس نرخ معیار حساسیت نشان می­دهد.

جدول (3): مقایسه کارایی روش‌های مختلف کاهش ویژگی در بهبود نتایج طبقه‌بندی بر اساس نرخ معیار حساسیت

SVM-SMO

Decision tree-J48

BN-Naive Bayes classifier

ANN-MLP

روش کاهش ویژگی-

(روش ارزیابی و روش جستجو)

3/83%

76%

9/72%

4/84%

ANOVA

2/60%

4/45%

8/49%

1/63%

PCA

(Variance Threshold=0.95

8 first Vectors)

9/89%

8/77%

3/79%

2/87%

PCA after ANOVA

7/89%

2/73%

2/77%

9/86%

CFS

1/92%

5/87%

6/88%

4/91%

Wrapper

 

روش‌های متفاوت کاهش ویژگی، ویژگی­های متفاوتی را به عنوان ویژگی­های مناسب برای دسته­بندی انتخاب می‌کند؛ با این حال بعضی از ویژگی­ها همچون ویژگی­های مربوط به میزان ضربان قلب، مکان موج  Rنسبت به متوسط هر سیکل، مقدار قطعات PQ و ST ، ویژگی‌های طیفی نرخ ضربان قلب، ویژگی­های مربوط به میزان و عمق تنفس، ویژگی­های مشتق اول سیگنال فعالیت ماهیچه­ای مشترک هستند.

با توجه به نتایج مشخص می­شود که استفاده از روش‌های کاهش ابعاد همچون PCA برای این نوع بازشناسی مناسب نیست. بنابراین، باید روش­هایی برای انتخاب ویژگی­ها، بدون ترکیب کردن آنها اتخاذ شود. با وجود این، پس از حذف ویژگی­های غیرمربوط، می­توان روش PCA را برای بهبود نتایج به ­کار برد. همچنین، روش ارزیابی رپر نتایج بهتری نسبت به روش فیلتر نشان می­دهد. با این وصف، باید دقت شود روش رپر به علت استفاده از دسته­بندی کننده در انتخاب ویژگی از تعمیم­پذیری پایینی در به کارگیری نمونه­های جدید برخوردار است ]27[. علاوه بر آن، نسبت به روش فیلتر هزینه محاسبه بالایی دارد و بسیار زمان­بر است.

نتایج طبقه­بندی در این آزمایش نشان دهنده کارایی قابل قبول روش­های پیشنهاد شده به منظور تفکیک چهار حالت هیجانی شادی، خشم، ناراحتی و آرامش است. در تحقیق پیکارد و همکارانش ]8[ سعی شده است تعداد حالت­های هیجانی بیشتری (هشت حالت) برای طبقه­بندی در نظر گرفته شود، اما آزمایش تنها بر روی یک داوطلب انجام شده است. از این رو، نمی­توان نتایج این پژوهش را مستقل از شخص به حساب آورد. در آزمایش کیم و همکارانش ]10[ تعداد شرکت کنندگان قابل توجه است، اما این شرکت‌کنندگان همگی کودکان هستند و ایجاد حالت‌های هیجانی در کودکان به راحتی و با شدت بیشتری در مقایسه با بزرگسالان صورت می­گیرد. در آزمایش لیو ]4[شرکت کنندگان شش نفر کودک مبتلا به درخودماندگی هستند و تعداد هفت نوع سیگنال­ فیزیولوژیک متفاوت ثبت شده که باعث مشکل بودن استفاده از این روش است. علاوه بر آن، هدف آزمایش تنها برای طبقه­بندی دو حالت میل زیاد و کم است. در تحقیق ]11[ تعداد شرکت­کنندگان و تعداد سیگنال­های فیزیولوژیک ثبت شده مناسب است، اما نتایج به دست آمده پایین است. در این آزمایش تعداد شرکت کنندگان 24 شرکت­کننده سالم و بزرگسال است که می‌توان نتایج را مستقل از شخص دانست. همچنین، در این آزمایش مقایسه­ای بین کارایی هر یک از سیگنال­های فیزیولوژیک در تفکیک حالت‌های هیجانی به صورت جداگانه انجام گرفته است. ویژگی‌های استخراج شده در این تحقیق، همگی نسبت به ویژگی‌های پیشنهاد شده در بعضی از تحقیقات پیشین پیچیدگی محاسباتی کمی دارند. به­علاوه سعی شده است تعداد زیادی ویژگی محاسبه شود و سپس بهترین آنها برای طبقه­بندی انتخاب شود. علاوه بر آن، در این آزمایش مقایسه­ای بین به‌کارگیری انواع روش­های متداول کاهش ویژگی و دسته‌بندی برای بهبود نتایج طبقه­بندی انجام گرفته است. همچنین، چهار حالت هیجانی مورد طبقه­بندی در این پژوهش؛ یعنی شادی، خشم، ناراحتی و آرامش هر کدام در یکی از چهار ربع فضای برانگیختگی-جاذبه است. این فضا هم اکنون مورد توافق بسیاری از محققان علوم روان‌شناسی برای نام­گذاری و تفکیک اغلب احساسات از یکدیگر است.

    

2- نتیجه‌گیری

اطمینان از ثبت داده­های درست و معتبر مهمترین بخش این تحقیق است و به رعایت محدودیت­های مختلفی نیاز دارد که در بخش 2 و 3 توضیح داده شد. سیگنال­های ثبت شده شامل انواع نویز و درست­نماها هستند. لذا انجام پیش‌پردازش­های مناسب قبل از استخراج ویژگی، اهمیت دارد. می­توان با استخراج ویژگی­های پیشنهاد شده با پیچیدگی محاسباتی پایین به نتایج طبقه­بندی قابل قبولی دست یافت. توانایی ویژگی­های استخراج شده هر نوع از سیگنال­های فیزیولوژیک برای طبقه­بندی حالت­های هیجانی مختلف متفاوت است. سیگنال­های ECG،­ EMG و SCL برای تفکیک حالت­های شادی و خشم و سیگنال­ RSP برای تفکیک حالت­های خشم و ناراحتی مناسب است. با ادغام این ویژگی­ها نتایج به طور قابل ملاحظه­ای بهبود می‌یابد. حالت هیجانی خشم نسبت به بقیه حالت­ها با حساسیت بالایی تفکیک می­شود و تمامی روش­های به کار گرفته شده در تفکیک حالت آرامش ضعیف عمل می­کنند. به­صورت کلی مشخص می­گردد که فرآیند تفکیک در راستای محور برانگیختگی آسانتر از محور جاذبه است. با توجه به نتایج قابل قبول طبقه­بندی­کننده­های مبتنی بر روش بیزین و درخت تصمیم­گیری و ویژگی­های مثبت این طبقه‌بندی­کننده­ها نسبت به طبقه­بندی­کننده­های دیگر، استفاده از این طبقه­بندی­کننده­ها برای این بازشناسی اولویت خواهد داشت. استفاده از روش PCA برای کاهش بعد پس از حذف ویژگی­های غیر مربوط نتایج را بهبود می­بخشد. همچنین، روش ارزیابی رپر نتایج بهتری نسبت به روش فیلتر نشان می­دهد، ولی بسیار زمان­بر است. با توجه به نتایج، روش­های پیشنهاد شده می­تواند به طراحی یک سیستم بازشناسی حالت­های هیجانی با استفاده از ثبت و پردازش سیگنال­های فیزیولوژیک شخص منجر شود. نتایج نشان می‌دهند که انتخاب ویژگی‌ها و همچنین طبقه‌بندی کننده مناسب در بهبود نرخ تشخیص حالت‌های هیجانی تأثیر زیادی دارد.

 



[i] Naive Bayes Classifier

[ii] Information Gain

[iii] Waikato Environment for Knowledge Analysis      (WEKA)

[iv] Epoch

[v] Learning Rate

[vi] Momentum

[vii] K-fold cross-validation

[viii] Sensitivity

[ix] Specificity

[x] Precision

[xi] Receiver Operating Characteristic (ROC)

[xii] Area Under Curve (AUC)

[xiii] True Positive Rate (TPR)

[xiv] False Positive Rate (FPR)

[xv] True Negative Rate (TNR)

[xvi] Positive Predictive Value (PPV)

[xvii] Polynomial kernel

[xviii] Confidence factor           

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

[1]  C. D. Batson, L. L. Shaw, K. C. Oleson Differentiating affect, mood, and emotion: Toward functionally based conceptual distinctions, Review of personality and social psychology, Vol. 21, No. 13, pp. 294-326, 1992.

[2]  L., Custódio, R. Ventura, C. Pinto-Ferreira, Artificial emotions and emotion-based control systems, 7th IEEE International Conference on Emerging Technologies and Factory Automation, pp. 1415 – 1420, 1999.

[3]  B. Mojarrad Shafie, M. Yazdchi, M. Emadi Andani, Automatic affective state recognition using physiological changes, International Journal of Signal and Data Processing, Vol. 8, No. 2, pp. 85-100, 2011.

[4]  R. W. Picard, Affective computing: challenges, International Journal of Human-Computer Studies, Vol. 59, No. 1, pp. 55-64, 2003.

[5]  C. Liu, K. Conn, N. Sarkar, W. Stone, Online affect detection and robot behavior adaptation for intervention of children with autism, Robotics, IEEE Transactions on, Vol. 24, No 4, pp. 883-896, 2008.

[6]  R. Cowie, E. Douglas-Cowie, Emotion recognition in human-computer interaction, Signal Processing Magazine, IEEE, Vol. 18, No. 1, pp. 32-80, 2001.

[7]  S. D. Kreibig, Autonomic nervous system activity in emotion: A review, Biological psychology, Vol. 84, No. 3, pp. 394-421, 2010.

[8]  R. W. Picard, E. Vyzas, J. Healey, Toward machine emotional intelligence: Analysis of affective physiological state, Pattern Analysis and Machine Intelligence, IEEE Transactions on, Vol. 23, No. 10,  pp. 1175-1191, 2001.

[9]  J. A. Healey, R. W. Picard, Detecting stress during real-world driving tasks using physiological sensors, Intelligent Transportation Systems, IEEE Transactions on, Vol. 6, No. 2, pp. 156-166, 2005.

[10]   K. H. Kim, S. W. Bang, S. R. Kim, Emotion recognition system using short-term monitoring of physiological signals, Medical and biological engineering and computing, Vol. 42, No. 3, pp. 419-427, 2004.

[11]   G. Chanel, C. Rebetez, M. Bétrancourt, Emotion assessment from physiological signals for adaptation of game difficulty, Systems, Man and Cybernetics, Part A: Systems and Humans, IEEE Transactions on, Vol. 41, No. 6, pp. 1052-1063, 2011.

[12]   C. L. Lisetti, F. Nasoz, Using noninvasive wearable computers to recognize human emotions from physiological signals, EURASIP Journal on Applied Signal Processing, Vol. 2004, No. 1, pp. 1672-1687, 2004.

[13]   P. Rani, C. Liu, N. Sarkar, An Empirical study of machine learning techniques for affect recognition in human robot Interaction, Pattern Analysis & Applications, Vol. 9, No. 1, pp. 58-69, 2006.

[14]   E. Leon, G. Clarke, V. Callaghan, F. Sepulveda, A user-independent real-time emotion recognition system for software agents in domestic environments, Engineering Applications of Artificial Intelligence, Vol. 20, No. 3, pp. 337-345, 2007.

[15]   C. D. Katsis, N. Katertsidis, G. Ganiatsas, Toward emotion recognition in car racing drivers: a biosignal processing approach, IEEE Trans. Systems, Man and Cybernetics - Part A: Systems and Humans, vol. 38, No. 3, pp. 502-512, 2008.

[16]   D. Goldberg, P. Williams, General health questionnaire. GL Assessment, 2006.

[17]   J. A. Russell, A circumplex model of affect, Journal of personality and social psychology, Vol. 57, No. 5, pp. 1161, 1980.

[18]   P. J. Lang, M. M. Bradley, B. N. Cuthbert, International affective picture system (IAPS): Affective ratings of pictures and instruction manual: NIMH, Center for the Study of Emotion & Attention, 2005.

[19]   J. D. Morris, SAM:The Self-Assessment Manikin, An Efficient Cross-Cultural Measurement of Emotional Response, Journal of Advertising Research, Vol. 35, No. 3, November 1995.

[20]   S. de Waele, G. J. de Vries, M, Jager, Experiences with adaptive statistical models for biosignals in daily life, IEEE, pp. 1-6, 2009.

[21]   S. Saxena, V. Kumar, S. T. Hamde, Feature extraction from ECG signals using wavelet transforms for disease diagnostics, International Journal of Systems Science, Vol. 33, No. 13, pp. 1073-1085, 2002.

[22]   N. Selvaraj, A. Jaryal, J. Santhosh, Assessment of heart rate variability derived from finger tip photo plethysmography as compared to electro cardiography, Journal of medical engineering & technology, Vol. 32, No. 6, pp. 479-484, 2008.

G. Lu, J. S. Brittain, P. Holland, J. Yianni, A. L. Green, Removing ECG noise from surface EMG signals using adaptive filtering, Neuroscience letters, Vol. 462, No. 1, pp. 14-