Πρωτότυπος Τίτλος:
Μελέτη και αξιολόγηση αλγορίθμων κατηγοριοποίησης συναισθημάτων από δεδομένα ηλεκτροεγκεφαλογραφήματος (ΗΕΓ)
Συγγραφέας:
Βισβάρδης, Διονύσιος, Κωνσταντίνος
Επιβλέπων καθηγητής:
Δίου, Χρήστος
Περίληψη:
Η κατηγοριοποίηση συναισθημάτων από τα σήματα EEG διαδραματίζει κρίσιμο ρόλο στην κατανόηση των ανθρώπινων συναισθηματικών καταστάσεων και έχει διάφορες εφαρμογές σε τομείς όπως η ψυχική υγεία, η αλληλεπίδραση ανθρώπου-υπολογιστή και η συναισθηματική πληροφορική. Αυτή η εργασία στοχεύει να διερευνήσει την αποτελεσματικότητα των μοντέλων βαθιάς μάθησης για την κατηγοριοποίηση συναισθημάτων χρησιμοποιώντας δεδομένα EEG. Η μελέτη διερευνά δύο σύνολα δεδομένων: το "EEG Brainwave Dataset: Feeling Emotions", που περιέχει δεδομένα EEG που καταγράφηκαν κατά τη διάρκεια διαφορετικών συναισθηματικών καταστάσεων και το "Gameemo", που περιλαμβάνει σήματα EEG που καταγράφηκαν κατά τη διάρκεια συνεδριών παιχνιδιών υπολογιστή με συναισθηματικά ερεθίσματα.
Η εργασία ξεκινά με μια εισαγωγή, παρέχοντας μια επισκόπηση των στόχων της έρευνας, τη δήλωση του προβλήματος και το πεδίο εφαρμογής. Η μεθοδολογία περιλαμβάνει τη συλλογή δεδομένων, την προεπεξεργασία, την ανάπτυξη μοντέλων και την αξιολόγηση. Διαφορετικά μοντέλα βαθιάς μάθησης, συμπεριλαμβανομένων των CNN, LSTM, GRU και των συνδυασμών τους, υλοποιούνται και εκπαιδεύονται χρησιμοποιώντας τα προεπεξεργασμένα δεδομένα EEG.
Στα επόμενα κεφάλαια, η εργασία παρουσιάζει λεπτομερείς περιγραφές των συνόλων δεδομένων, τις τεχνικές προεπεξεργασίας δεδομένων και την ανάπτυξη μοντέλων βαθιάς μάθησης. Συζητούνται οι αρχιτεκτονικές, οι υπερπαράμετροι και οι διαδικασίες εκπαίδευσης των μοντέλων, μαζί με το σκεπτικό πίσω από την επιλογή τους.
Το Κεφάλαιο 3 εστιάζει στην πειραματική αξιολόγηση των μοντέλων. Τα μοντέλα αξιολογούνται χρησιμοποιώντας μετρήσεις απόδοσης όπως η ακρίβεια, η ακρίβεια, η ανάκληση και η βαθμολογία F1. Τα αποτελέσματα αναλύονται και γίνονται συγκρίσεις για την αξιολόγηση της πολυπλοκότητας, του υπολογιστικού κόστους και της αναμενόμενης απόδοσης των μοντέλων.
Τα συμπεράσματα που προκύπτουν από την ανάλυση των αποτελεσμάτων συζητούνται στο Κεφάλαιο 4. Η εργασία επισημαίνει τα δυνατά και αδύναμα σημεία των διαφορετικών μοντέλων και προσδιορίζει το πιο αποτελεσματικό μοντέλο για την κατηγοριοποίηση συναισθημάτων από σήματα EEG. Επιπρόσθετα, η εργασία σκιαγραφεί μελλοντικές κατευθύνσεις έρευνας και τομείς προς βελτίωση στο πεδίο.
Γενικά, αυτή η εργασία συμβάλλει στην κατανόηση των μοντέλων βαθιάς μάθησης για την κατηγοριοποίηση συναισθημάτων από σήματα EEG. Τα ευρήματα παρέχουν πολύτιμες γνώσεις για την απόδοση και τις πιθανές εφαρμογές αυτών των μοντέλων, θέτοντας τα θεμέλια για περαιτέρω εξελίξεις στον τομέα του συναισθηματικού υπολογισμού και της ανάλυσης της ανθρώπινης συναισθηματικής κατάστασης.
Η εργασία ξεκινά με μια εισαγωγή, παρέχοντας μια επισκόπηση των στόχων της έρευνας, τη δήλωση του προβλήματος και το πεδίο εφαρμογής. Η μεθοδολογία περιλαμβάνει τη συλλογή δεδομένων, την προεπεξεργασία, την ανάπτυξη μοντέλων και την αξιολόγηση. Διαφορετικά μοντέλα βαθιάς μάθησης, συμπεριλαμβανομένων των CNN, LSTM, GRU και των συνδυασμών τους, υλοποιούνται και εκπαιδεύονται χρησιμοποιώντας τα προεπεξεργασμένα δεδομένα EEG.
Στα επόμενα κεφάλαια, η εργασία παρουσιάζει λεπτομερείς περιγραφές των συνόλων δεδομένων, τις τεχνικές προεπεξεργασίας δεδομένων και την ανάπτυξη μοντέλων βαθιάς μάθησης. Συζητούνται οι αρχιτεκτονικές, οι υπερπαράμετροι και οι διαδικασίες εκπαίδευσης των μοντέλων, μαζί με το σκεπτικό πίσω από την επιλογή τους.
Το Κεφάλαιο 3 εστιάζει στην πειραματική αξιολόγηση των μοντέλων. Τα μοντέλα αξιολογούνται χρησιμοποιώντας μετρήσεις απόδοσης όπως η ακρίβεια, η ακρίβεια, η ανάκληση και η βαθμολογία F1. Τα αποτελέσματα αναλύονται και γίνονται συγκρίσεις για την αξιολόγηση της πολυπλοκότητας, του υπολογιστικού κόστους και της αναμενόμενης απόδοσης των μοντέλων.
Τα συμπεράσματα που προκύπτουν από την ανάλυση των αποτελεσμάτων συζητούνται στο Κεφάλαιο 4. Η εργασία επισημαίνει τα δυνατά και αδύναμα σημεία των διαφορετικών μοντέλων και προσδιορίζει το πιο αποτελεσματικό μοντέλο για την κατηγοριοποίηση συναισθημάτων από σήματα EEG. Επιπρόσθετα, η εργασία σκιαγραφεί μελλοντικές κατευθύνσεις έρευνας και τομείς προς βελτίωση στο πεδίο.
Γενικά, αυτή η εργασία συμβάλλει στην κατανόηση των μοντέλων βαθιάς μάθησης για την κατηγοριοποίηση συναισθημάτων από σήματα EEG. Τα ευρήματα παρέχουν πολύτιμες γνώσεις για την απόδοση και τις πιθανές εφαρμογές αυτών των μοντέλων, θέτοντας τα θεμέλια για περαιτέρω εξελίξεις στον τομέα του συναισθηματικού υπολογισμού και της ανάλυσης της ανθρώπινης συναισθηματικής κατάστασης.
Ημερομηνία κατάθεσης:
2023-08-31
Γλώσσες Τεκμηρίου:
Ελληνικά
Θεματικές Κατηγορίες:
Ηλεκτρονικοί υπολογιστές. Επιστήμη των υπολογιστών
Λοιπά Θέματα:
Αλγόριθμοι - Επεξεργασία δεδομένων
Λέξεις-κλειδιά:
Σήματα, Πειραματική αξιολόγηση, Συναισθηματικός υπολογισμός,Μοντέλα βαθιάς μάθησης,Κατηγοριοποίηση συναισθημάτων
Περιγραφή:
63 σ.,εικ.,διαγρ.,σχ.
Άδεια χρήσης:
Αναφορά Δημιουργού – Μη Εμπορική Χρήση – Όχι Παράγωγα Έργα 4.0
