CC BY
4
УДК 612.821.1:612.821.8:519.21:519.254:004.021
Метод та алгоритм обробки електроенцефалогра^лчних сигнал!в у комп'ютерних медичних д!агностичних системах для виявлення психоемощйних показниюв людини
Хвост/тський М. О., Паньыв I. М., Фуч О. В., Хвосгмвська Л. В., Бойко Р. Р.,
Дунець В. Л., Карташов В. В.
Ториошльський иацншалышй тохшчшш ушворситот ¡Moiii 1ваиа Пулюя, м. Торцошль, Украша
E-mail: hvoetivekyy&ukr.ncl.
Розроблепо метод та алгоритм обробки електроепцефалограф1чпих сигпал1в при психоемогцйпому паваптажепш для шдвищеппя шформативпост комп'ютерпих медичиих д1агпостичпих систем з метою виявлеппя часових переход!в м!ж р1зпими психоемоцшпими станами у людей. Метод та алгоритм обробки електроепцефалограф1чиих сигпал1в базуеться па математичпш модел! у вигляд! перюдичпо корельовапого випадкового процесу та синфазному метод! обробки без урахуваппя взаемозв'язку м!ж кореляцшпими компонентами як психоемогцйпимп показпиками людипи. Така модель та метод забезпе-чують виявлешш появи змш у часовш структур! електроепцефалограф1чпого сигналу за дапими змши перюдичпо1 складово! у вигляд! усередпепих кореляцшпих компонент отримапих в межах часо-зсув1шх в1коп. як! шльшспо в!дображають психоемогцйш змши у людипи при стресових ситуагцях. Встаповлепо. що в перюд фонового впливу спостер!гаеться поступове 31шжеппя р!впя потужпост усередпепих кореляцшпих компонент електроепцефалограф1чпого сигналу, в перюд негативного впливу спостер!гаеться npripicT потужпост! та в перюд в1дповлеш1я в!дбуваеться змепшеппя потужпост! компонент по в!дпо-шешно до двох попередшх вплшмв. Розроблепо програмпе забезпечеппя па основ! синфазного методу для обробки електроепцефалограф1чпих сигпал1в при психоемоцшпому паваптажепш в програмпому середовищ! Matlab.
Клюноаг слова: ЕЕГ-сигпал: психоемогцйпе паваптажеппя: виявлеппя: психоемогцйш показпики: nepi-одичпо корельовапий випадковий процес: сипфазпий метод: шформатившсть: комп'ютерпа медичпа д1агпостичпа система: програмпе забезпечешш
DOI: 10.20535/RADAP.2023.91.63-71
Вступ. Постановка задач1
За даними ВООЗ у всьому свт спостерЬаеться негативна тенденщя розвитку психоемоцшних роз-лад1в серед населения р1зних кра'ш свиу на фош стресових ситуащй (в1йна. умови пращ, конфль кти. переживания та ппш). Тому актуальною задачею медицини в профшактика запоГягання розвитку психоемощйних розладов у виглядо стрсав. депре-ай. новрехшз (штср1я та психастешя) та «синдрому хрошчнем втоми».
Для дослщжсння психоомощшшх сташв засто-совують таш методи як анкотування. росстращя показнишв активносп вегетативно! норвовсм систс-ми (олоктрокардюграфш, шшрно-гальвашчна реак-щя. плотизмографш, олоктроенцофалографш). За даними вчоних [1 4] та шших встановлоно. що еле-
ктроенцефалограф1я як нешвазний мотод медико-бюлопчного дослщжоння функционального стану головного мозку шляхом росстращ! його сумарно! бюслектрично! aKTiiBiiocTi (електроенцефалографь чних сигнатв (ЕЕГ-сигшшв)) забозпочус на 80% ToniiicTb класиф1кащ1 психоомощшшх роакщй.
Для росстращ! ЕЕГ-сигнал1в та офоктивного ощ-шовання исихоомощйного стану людини застосо-вують комп'юторн1 медичш доагностичш системи так1 як Export-16 Compact (Укра'ша. Trodex). HEIi-РОКОМ (XAI-Модика. Укра'ша), Brainiest (DX-системи. УкраТна) та iiiHii. Виявлення психоемощйних показнишв людини у цих системах реал1зовано на 6a3i таких мотод1в обробки:
машине та глибоке навчання [5 10] показни-ки у виглядо днфоренщалыю! oiiTponii'. кумулянтн
третього порядку. параметр1в Хьорта. фрактально! po3MipnocTi та омшричнси декомпозищ! моди:
згортков1 нейронш MopojKi динамичного графа [11,12] показники у виглядо дифереищалыго! oiiTponii та спектрально! щшыгост потужностк
тсоретико-граф1чний [13] показники у ви-глядо теоретико-граф1чних особливостой. зокрема опориих воктор1в i релевантних вектор1в:
статистичний [14. 15] показники у вигля-до функщ1 густини fiMOBipHOCTi та диферепщалыго! ентротк
кореляцшний [16] показники у виглядо коефь щятв корелящ! Шрсона:
споктралыю-кореляцшний [17.18] показники у виглядо спектрально! иотужноста. фазових сшв-ввдиошеиь мЬк частотиими компонентами та характеристики негаусово! шформащк
вейвлет-перетворення [19 29] показники у виглядо вейвлетав. вейвлет-коефщятв. i'x стати-стичних оцшок (середнс. середньоквадратичне. ме-доана) та rotational forest ensemble:
багатовтирне синхронно поретвороння [30] показники у виглядо часових i частотиих вла-стивостой сигнатв ЕЕГ-сигнатв, розподш Birne-ра В шля:
вар1ащйна декомиозищя вар1ащйного режиму [31] показники у виглядц загалышх иатершв ЕЕГ-сигналу.
В1дом1 мотоди обробки ЕЕГ-сигнатв при пси-хоемоцшному навантаженш та отриманш за i'x до-помогою психоомоцшш показники но дають змоги оцшити Bapian;ii фазово-часових парамотр1в сигналу з метою достджоння комплексу часових змш у пси-хоемоцшному CTani людиии та виявлеиия шторватв часових пореход1в м1ж р1зннмн психоемоцшними станами у людини для визначення психосмоцшно1 ст1йкост1 людей при стресових ситуащях.
Отжо. розроблення ново-додаткового методу обробки ЕЕГ-сигнатв людиии для шдвищення д1а-ГН0СТИЧН01 шформативносп комп'ютерних меди-чних доагностичних систем шляхом штегращ! в
область МОДИЧ1Ю1 доагностики психоемощйного стану людини нового класу психоомоцшних шформа-тивних показнишв с актуальною науковою задачею.
1 Реестращя та структура ЕЕГ-сигналу при психоемоцшно-му навантаженш
Використання зображень (фотографШ) е. базо-вим та загалыгоприйнятим методом шдукцп' исихоемощйних сташв у людини через зоровий ана-«шзатор, до виключасться обман та яш шддаються лопай стандартизацй'. Для доелвдження исихоомощйного стану (збурешеть. панування) застосовано стандартизован! зображення з каталогу \Пжнарод-iio'í систоми афективних зображень (IAPS) [34].
Для дослщження (визначення показнишв) исихоомощйного стану людини за конструктивною структурою ЕЕГ-сигналу (Рис. 1,г) здцйсноно процедуру шдбору 20-ти динам1чно-змшюючих слайдов та в кшцевому результат! i'x сформовано як сдину базу даних зображень ашмащйного типу (Рис. 1.6): 10 слайдов з 3míctom негативним триватстю часу t2 та один слайд фоновий для иодразника нойтрально-омощйного стимулу з часовою тривалктю ti (як фон використано cipe однотонно зображення. яке не MicTiiTb шформацшного навантаження). Вилив на психоомощйний стан людини здшсшоеться через зоровий анал1затор (Рис. 1,в) при використанш слащцв з комп'ютерно1 бази даних (Рис. 1.6) три-валктю ti та t2.
1з використанням 16-ти канального онцефало-графа NouroConi, виробником якого с XAI-Медика. проведено процедуру монополярного ввдбору ЕЕГ-сигналу (Рис. 1, г) як показнишв вар1ащ1 психоемощйного стану pÍ3inix категор1й людей. Процедуру накладання давач1в проведено у ввдиовщносп до мЬкнароднсм методики (10-20). До експоримеи-тальиого доелвджоиия залучеио 10 студентав bíkobo'í категорп' в1д 20 до 23 рошв.
Рнс. 1. Загальна методика ресстращ! ЕЕГ-сигналу при психоомощйному навантаженш людини
Одну Ь зареестрованих шд час окспоримонту роатзацпо ЕЕГ-сигналу при психоемощйному на-вантаженш та його динахпчну структуру з часо-амшптудними показниками зображоно на Рис. 2.
За динамичною структурою реал1защ1 ЕЕГ-сигналу (Рис. 2) в1зуально щентш^ковано вар1а-цпо числових иоказнишв амшптудних значень виро-довж усього часу спостореження у вщповщносп до впливу р1зних слащцв (динахпчних зображень). що чико вказуе факт вар1ащ1 психоомощйного стану у людини за вар1ащйними процесами мозково! елек-тробюактивность
Вщгук мозкових структурних одиниць на нега-тивш омощ1 вщображасться через показники шд-вигцоноТ потужносп ЕЕГ-сигнал1в в межах хвиль альфа (Рис. 3) та бота (Рис. 4) з локал1защ«о на вщведеннях ГР1. ГР2 (иередньолобов1 (префрон-талыи)) та Г 4 (задньолобов1 (фронталыи)). що вщ-ображають олоктричну актившсть мозку в лобнш дшянщ.
Для дослщження психоемоцшного стану людини за ЕЕГ-сигналами використано одно з активних вщ-водонь. яко вщображае психоомоцшну актившсть за змшою амшптуди сигналу та структурними порохо-дами мЬк р1зними станами, зокрома ГР1.
Рис. 2. Заросстрована шд час окспоримонту роал1защя ЕЕГ-сигналу при Bnniroi психоомощйного на-вантажоння (анал1з вщводоння FP1): (а) фрагмент перюду засиокояшя. (б) фрагмент перюду впливу
ногатнвннх емощй. (в) фрагмент перюду вщновлення
Рис. 3. Реалпащ! альфа-хвиль ЕЕГ-сигналу (yci ввдведення)
Рис. 4. Реалпащ! бета-хвиль ЕЕГ-сигналу (yci вщведення)
2 Математична модель ЕЕГ-сигналу при психоемоцшно-му навантаженш
Процес адаптащ! нервово! системи до Bapiau;ifi при психоемоцшному Bnniroi ввдображаеться у ви-
гляд1 Bapiau;ifi параметр1в иерюду. фази та частоти ЕЕГ-сигналу. зокрема його складових альфа-, бета-та тета-хвиль. виродовж усього часу спостережен-ня. Тому доцшыго розглядати ЕЕГ-сигнал в межах окремо видшених то-их виб1рок тривалштю Тт, а само в часових зонах зсувного (ковзного) в1кна (Рис. 5).
£(0-------Ш------------------?mJt)
1000 500
Ш 0
-500 -1000
BiKHO 1 Bi кн|о 1 5iKHo:
Часовий 3cvb шкна i асовий зеув bikhc
||
■
.................. 1 ................;.............................. ................i.............................. ............................. .............................. ...............
0 0.5 1 1.5 2 2.5 3 t. XB
Рис. 5. Схема обробки ЕЕГ-сигналу при психоемоцшному навантаженш
На Рис. позначено: т - номер ковзного в1кпа, тах - максимальный номер ковзного в1киа, (1) -реатзацш ЕЕГ-сигналу в часовш зош т-го ковзного вжиа.
Зпдно з такою схемою (Рис. 5) структура мато-матичнся модош ЕЕГ-сигналу при психосмоцшному вплив1 мае вигляд:
и (t) = е (t) ■ Хот (t), t ,
\Dr
шдикаторна функщя.
im (t) £mk (t)
keZ
3 урахуванням того факту, гцо потужшеть (по-казник сили) ЕЕГ-сигналу в доапазош т-го ковзного впша як випадкового процесу 1з повторюваними в чай характеристиками с заворшоною за формою продовж часу, тому встановлоно доказ того, гцо сигнал ввдносить до класу (типу) пТ як завершуваного процесу:
(1)
де Ст Ь € Вт - часова зона реатзащ1 ЕЕГ-сигналу з перюдом Тт в меж ах т-ого ковзного в1киа
1, якгцо Ь € 0, якгцо Ь € Еп яка задае часов1 менй Бт т-ого ковзного В1кна: Бт = [т ■ АЪ,т ■ АЬ + ) - часовий д1апазон того ковзного вшиа, АЬ = const - величина кроку змщення ковзного в1кна в часовому иросторь
Мпимальна довжина ковзного в1кна обробки ЕЕГ-сигналу повинна складатн 1 хв, оскшьки зпдно рокомондащй експсрпв по нейроф1зк>лоп1 будь-яш збереженш змши на роатзащ! сигналу впродовж 1 хв розцпиоються як ознаки патолог!!.
В межах ковзного в1кна ЕЕГ-сигнал при психоемоцшному вплив1 (Рис. 5) подано як випадковий процес 1з иовторними в часовому простор! характеристиками (вщомий як порюдично корельоваиий випадковий процес). Такого виду процес забозпо-чоний методами та засобами виявлеиия гармош-чних (перюдичних) складових альфа-, бета- та тота-хвиль у структур! ЕЕГ-сигналу з параметром часто-ти /т в часовш зош т-го зеувного вшпа.
Модель ЕЕГ-сигналу в часовш зош т-го зеувного вжна як випадковий процес 1з повторннмн в часовому простор! характеристиками подано мато-матнчннм виразом через стацюнарш комионенти у виглядо порюдично корельованого випадкового процесу (ПКВП [321):
рJ
U = 1J E\0im (t)\2dt — If (t,t) dt.
(3)
(2)
де Стк (t) ,к € Z - к-та, випадкова складова ЕЕГ-сигналу в межах m-ого вжна (t) у вигляд1 ста-цюиарпих компонент; ег2п?ткг - гармошчш (nepio-дичш) складов! m-ro ЕЕГ-сигналу; fm — значения частоти виявлення складовся ЕЕГ-сигналу.
Матоматична модель ЕЕГ-сигналу такси струк-тури (2) мае шетрументи обробки (синфазний та компононтний) сигналу при виявлонш гармошчних складових. гцо с важливим при виявлонш фазо-часових змш у структур! сигналу в часових штер-валах до впливу, шд час впливу та теля вплнву на психоемоцшний стан людннн.
Методи обробки ЕЕГ-сигналу в рамках модел1 ПКВП 1з урахуванням властивостой множин сшв-ввдношонних за фазою значень ЕЕГ-сигналу дають змогу за одшею ре&тзащею Ь- ергодичного сигналу оцшити ковар1ацпо (корелящю) його фазо-часово! структури, тобто змши 11 в часовому простора а но тшьки соредш значения.
3 Метод та алгоритм обробки ЕЕГ-сигналу при пснхоемоцшному навантаженш
В якосп методу обробки ЕЕГ-сигналу в межах ковзного т-ого вшпа на шд1"рунта модел1 ПКВП застосовано синфазшш метод [33,34] без урахуван-ня взасмозв'язку м1ж королящйшгаи компонентами (КК). Синфазний метод забезиочус процедуру об-числеиия показиишв у вигляд1 оцшок усоредиоиих КК:
Bkm(t, и) — Мк{ Ми{ bm(t, и) e-ik2^f^tdt
де bm (t, и) - ковар1ац1я параметричпа; tm - момент m
Ковар1ащя параметрична Ьт (£, и) характеризуе розподш значень потужносп ЕЕГ-сигналу в часовому просторь гцо с особливо важливим для задач1 виявлення моменту прояву змш у фазово-часовш структур! доелвджуваного сигналу.
Синфазний метод обробки базуеться на оиера-щях центрування ЕЕГ-сигналу. формування стацю-нарних компонент цонтрованого ЕЕГ-сигналу. обчи-слення значения оцшки ковар1ащ1 параметричноТ. 1. власне. обчислоння значень кореляцшних компонент шляхом поротвороння Фур'е в1д обчислонсм ковар1ащ1 парамотричнем.
Алгоритм обробки ЕЕГ-сигналу для виявлоння психоемоцшних показнишв з метою визначення часових штервал1в вар1ащй психоемощйного стану людини наведено на Рис. 6.
довж усього штервалу часового сиосторежоння. гцо забезпочить. в свою чергу. визначення параметр1в психоомощйного стану людини:
Ym (t) = ми\ Мк в
km,
м}}
(5)
Рис. 6. Алгоритм обробки ЕЕГ-сигналу для виявлоння психоемоцшних показнишв
Базою алгоритму визначення параметр1в психоемоцшних сташв покладено принцип обробки ЕЕГ-сигнал1в в часовому д1апазош ковзного вшна з процедурою подальшого оцшювання Ут (¿) через процедуру усереднення КК Bfcm(t) по зеуву часу та компонент!.
Процедура усереднення КК забозпочуе виявлоння часових змш у структур! ЕЕГ-сигналу впро-
де Ми {•} - оператор усереднення компонент.
За результатами обробки ЕЕГ-сигнал1в буде ввд-ображеио залежноста числових оцшок сигналу в д1апазош т-го вшна в залежност в1д початкового моменту 1х часу
4 Результати виявлення психоемоцшних показнишв
Реал1защю обчислених в ссредовшщ МАТГАВ ощнок усереднених КК ЕЕГ-сигналу при психоемоцшних навантаженнях наведено на Рнс. 7.
На Рнс. 7 внявлено вар1ащ1 зиачеиь оцшок поту-жносп усереднених КК мЬк часовими переходами за рахунок змш у психоемощйному сташ людини шд виливом р1зних емоцш та без них. а саме:
в часовий перюд фону ввдзначено зниження р1вня потужноста усереднених КК ЕЕГ-сигналу. що ввдбуваеться за рахунок адаитащйно-емощйних осо-бливостей людини:
в часовий перюд негативних емощй шд-вищення р1вня потужносп усереднених КК ЕЕГ-сигналу:
в часовий перюд вщновлення зниження р1в-ня потужноста усереднених КК ЕЕГ-сигналу.
Для К0ЖН01 людини величини потужноста КК та час вщновлення с шдиввдуалышми показниками.
Ьщикатором визначення часу вщновлення шеля психоемощйного навантаження буде слугувати по-роговий иристрш д як споаб прийняття ршення. Якщо величина потужноста т-их ощнок усереднених КК буде иеревищувати р1вень порогу прийняття ршення Уm(t) > ц, то буде прпйнято ршення про не вщновлення психоемощйного стану, а в про-тнлежному випадку вщновлення (Рнс. 8).
На Рис. через tl позначено момент часу завершения негативного впливу, а ¿2 _ момент часу ввдновлення психоемощйного стану.
Час вщновлення шеля психоемощйного навантаження обчислюсться виразом:
At = t2 - t1.
(6)
Час ввдновлення At е кшьшеним показииком, який характеризуе здатшеть людини до найшвид-шого вщновлення шеля стресовнх ентуащй як в профеййшй д1ялыюсть так i в побуть
Час, хв
Рис. 7. Реалоащя усереднених КК ЕЕГ-сигналу при психоемоцшних навантажоннях
Рис. 8. Позначення порогу q на усереднених КК Y (t) > q
Значения р1вня порогу q буде визначено зпдно з концепщяо Байеса ввдношоння правдопод1бност та критер1ю Неймана-Шрсона в заложноста вщ вели-чини ймов1рноста помилки прийнятого ршення pf (для медицини pf = {0, 001; 0, 01; 0,1}).
Значения порогу q обчислюеться для ощнок усереднених КК в межах часово! зони без психоемощйного впливу зпдно з виразом:
Я = ^В (ут(*))ф-1 (1 -V!) + ш (ут(*)) , (7)
I € [0, Тспотй) _ часовий штервал без психоемощйного впливу (стан спокою); р^ — ймов1ршсть помилки прийнятого ршгення;
т ^У1 О (Ут- математичне спод1вапия та диспорсш ощнок усереднених КК часовсм зони без психоемощйного впливу;
Ф
штеграл нормального розподшу, Ф (х) =
erf (х)
-1- Г J
V dt.
1з використанням виразу (7) обчислоно значения поропв я = (25.6726; 25.6875; 25.8525) мВ2 при по-милкових ршеннях pf = (0,001; 0,01; 0,1) та час ввдновлоння психоомощйного стану людини шеля впливу. який р1вний 1 хв 30 сек при найменшому помилковому ршенш pf = 0,001.
Отже. запропонований метод та алгоритм обробки ЕЕГ-сигналу забезпечують процедуру внявлення часових переход1в хйж р1зними психоемощйиими станами у людей за вар1ащями ощнок потужносп усереднених КК та. вщповщно. процедуру визначення психоемощйного стану людини щодо и стшкосп при стресових ситуащях для р1зного роду видов профейй за показником часу вщновлення шеля психоемощйного иаваитажеиия.
2
е
Висновки
Об^рунтовано матсматичну модель ЕЕГ-сигналу при психоемоцшних навантажоннях у виглядо випадкового процесу Í3 повториими в часовому про-CTopi характеристиками (так званого перюдичного корольованого випадкового процесу) з метою шд-внгцення шформативносп комп'ютериих медичиих доагностичних систем шляхом збшынення кшькосп психоемоцшних показнишв як шформативних.
Розроблеио метод та алгоритм обробки ЕЕГ-сигналу при психоемоцшних навантажоннях на ociiobí математичио! модат у виглядо ПКВП та синфазного методу для виявлення часових переход1в mdk pÍ3iniMii исихоемоцшними станами у людини за показниками у вигляд1 значень усоредноних кореля-цшних компонент.
Засобами MATLAB роатзовано програмно за-бозпечоння обробки ЕЕГ-сигналу для штеграцп' йо-го в комп'ютерш медичш доагностичш системи при оцшюваш Bapianiii у психоемоцшному сташ у людини та проведено емшричне доелвджеиия. Отримаш ознаки усоредноннх кореляцшних компонент ЕЕГ-сигналу кшыисно ввдображають штервали (зони) часових переход1в м1ж р1зними психоомошйиими станами у людини.
References
[1] Frantzidis С. Л., tíratsas С., Papadelis С. L., Konstanti-nidis Е., Pappas С. and Bamidis P. D. ("2010). Toward Emotion Aware Computing: An Integrated Approach Using Multichannel Neurophysiological Recordings and Affective Visual Stimuli. IEEE Transactions on Information Technology in Biomedicine, Vol. 14, No. 3, pp. 589-597. doi: 10.1109/T1TB.2010.2041553.
[2] Melnikova T. S., Krasnov V. N.. Lapin 1. A., Andrushkyavi-chus S. 1. (2009). Dnevnaya dinamika harakteristik EEC! pri cirkulyarnyh depressivnyh rasstrojstvah [Daily dynamics of EEC! characteristics in cyclic depressive disorders]. Psychic health, Vol. 12, pp. 43-47.
[3] Lapshina T. N. (2004). EEG-indikaciya emocional:nyh sostoyanij cheloveka [EEG-indication of emotional states of a person]. Herald of Moscow State University. Psychology, Vol. 2, pp. 101 102.
[4] Shpenkov O., Tukaev S., Zyma 1. (2018). EEC! gamma-band spectral power changes during listening to the rock-music with reduced low-frequency level. Visnyk Taras Shevchenko National University of Kyiv. Biology, 2018, Vol. 1(75), pp. 27-32.
[5] Klibi S„ Mestiri M. and Farah 1. R. (2021). Emotional behavior analysis based on EEC! signal processing using Machine Learning: A case study. 2021 International Congress of Advanced, Technology and Engineering (1COTEN), Taiz, Yemen, pp. 262-265. DOI: 10.1109/1COTEN52080.2021.9493537.
[6] Qing C„ Qiao R., Xiangmin X., Cheng Y. (2019). Interpretable Emotion Recognition Using EEC! Signals. IEEE Access, Vol. 7, pp. 94160 94170. D01:10.1109/ACCESS.2019.2928691.
[7] Sharma R., Pachori R. B., Sircar P. (2020). Automated emotion recognition based on higher order statistics and deep learning algorithm. Biomedical Signal Processing and Control, Vol. 58, 101867. DUl:10.1016/j.bspc.2020.101867.
[8] Topic A., Russo M. (2021). Emotion recognition based on EEC! feature maps through deep learning network. Engineering Science and Technology, an International Journal, Vol. 24, Iss. 6, pp. 1442-1454. D01:10.1016/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 Systems with Applications, Vol. 173, 114516. D01:10.1016/j.eswa.2020.114516.
[10] Zheng W.-L., Zhu .I.-Y., Lu B.-L. (2017). Identifying Stable Patterns over Time for Emotion Recognition from EEC. IEEE Transactions on Affective Computing, Vol. 10, Iss. 3, pp. 417 429. DOI: 10.1109/TAFFC.2017.2712143.
[11] Song T„ Zheng W„ Song P., Cui Z. (2018). EEC! Emotion Recognition Using Dynamical Graph Convoluti-onal Neural Networks. IEEE Transactions on AJJective Computing.. Vol. 11, Iss. 3, pp. 532 541. DOI: 10.1109/TAFFC.2018.2817622.
[12] Liu S„ Wang X., Zhao L„ Zhao .1., Xin Q., Wang S. (2020). Subject-Independent Emotion Recognition of EEC! Signals Based on Dynamic Empirical Convoluti-onal Neural Network. IEEE/ACM Trans Comput Biol Bioinform, Vol. 18, Iss. 5, pp. 1710-1721. DOI: 10.1109/TCBB.2020.3018137.
[13] Gupta R., Laghari K. R„ Falk T. H. (2016). Relevance vector classifier decision fusion and EEC! graph-theoretic features for automatic affective state characterization. Neurocomputing, Vol. 174, Part B, pp. 875 884. D01:10.1016/j.neucom.2015.09.085.
[14] Yin Z., Liu L„ Chen .1., Zhao B„ Wang Y. (2020). Locally robust EEC! feature selection for individual-independent emotion recognition. Expert Systems with Applications, Vol. 162, 11376. D01:10.1016/j.eswa.2020.113768.
[15] -loshi V. M, Ghongade R. B. (2020). IDEA: Intellect database for emotion analysis using EEC! signal. ■Journal of King Saud University - Computer and Information Sciences, Vol. 34, Iss. 7, pp. 4433-4447. D01:10.1016/j.jksuci.2020.10.007.
[16] Chakladar D. D„ Chakraborty S. (2018). EEC! based emotion classification using «Correlation Based Subset Selection». Biologically Inspired Cognitive Architectures, Vol. 24, pp. 98 106. D01:10.1016/.I.B1CA.2018.04.012.
[17] Kumar N„ Khaund K„ Hazarika S. M. (2016). Bi-spectral Analysis of EEC! for Emotion Recognition. 1'rocedia Computer Science, Vol. 84, pp.31 35. D01:10.1016/j.procs.2016.04.062.
[18] Arnau-Gonzalez P., Arevalillo-Herraez M., Ramzan N. (2017). Fusing highly dimensional energy and connectivity features to identify affective states from EEC! signals. Neurocomputing, Vol. 244, pp. 81 89. D01:10.1016/j.neucom.2017.03.027.
[19] Murugappan M., Rizon M, Nagarajan R., Yaacob S., Hazry D. & Zunaidi 1. (2008). Time-Frequency Analysis of EEC! Signals for Human Emotion Detection, ^i/i Kuala Lumpur International Conference on Biomedical Engineering 2008, pp.262-265. D01:10.1007/978-3-540-69139-6 68.
[20] lacoviello D., Petracca A., Spozialotti M., Placidi G. ("2015). A roal-timo classification algorithm for EEG-based BG1 driven by self-induced emotions. Comput Methods Programs Biomed, Vol. 122, Iss. 3, pp. 293 303. D01:10.1016/j.cmpb.2015.08.011.
[21] Ozerdem M. S., Polat H. (2017). Emotion recognition based on EEG features in movie clips with channel selection. Brain informatics, Vol. 4(4), pp. 241 252. D01:10.1007/s40708-017-0069-3.
[22] Alakus T. B„ Gonen M„ Turkoglu 1. (2020). Database for an emotion recognition system based on EEG signals and various computer games GAMEEMO. Biomedical Signal Processing and Control, Vol. 60, 101951. D01:10.1016/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, Vol. 26(S1), pp. 509 519. DOl: 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. 2019 International conference on Data Science and Engineering (1CDSE), pp 139 143. DOl: 10.1109/1CDSE47409.2019.8971484.
[25] Atkinson .1., Campos D. (2016). Improving BCl-based emotion recognition by combining EEG feature selection and kernel classifiers. Expert Systems with Applications, Vol. 47, pp. 35 41. DOl: 10.1016/j.eswa.2015.10.049.
[26] Huang C. (2021). Recognition of psychological emotion by EEG features. Network Modeling Analysis in Health Informatics and Bioinform.ati.es, Vol. 10(1), pp. 1 11. doi: 10.1007/sl3721-020-00283-2.
[27] Subasi A., Tuncer T., Dogan S., Tanko D., Sakoglu U. (2021). EEC-based emotion recognition using tunable Q wavelet transform and rotation forest ensemble classilier. Biomedical Signal Processing and Control, Vol. 68, 102648. D01:10.1016/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. Cognitive Processing, Vol. 20(4), pp. 405 417. DOl: 10.1007/sl0339-019-00924-z.
[29] Wei C„ Chen L„ Song Z., Lou X., Li D. (2020). EEC-based emotion recognition using simple recurrent units network and ensemble learning. Biomedical Signal Processing and Control, Vol. 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. Digital Signal Processing, Vol. 81, pp. 106 115. D01:10.1016/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 Sand University - Computer and Information Sciences, Vol. 34, Iss. 5, pp. 1730-1738. D01:10.1016/j.jksuci.2019.11.003.
[32] Dragan Ya. P. (1997). Enerhetychna teoriia liniinykh modeled stokhastychnykh syhnaliv [Energy theory of linear models of stochastic signals/. Lviv: Center for Strategic Studies of Eco-BioTechnical Systems [Tsentr stratehi-chnykh doslidzhen eko-biotekhnichnykh system], 333 p.
[33] Hvostivska L., Yavorskyy B. (2015). The pulse signal mathematical model for the man vessels state diagnostics systems informativity increasing. 'lYansactions of Kremenchuk Mykhailo Ostrohradskyi National University, Vol. 6(95), pp. 29-34.
[34] Lang P. .1., Bradley M. M, and Cuthbert B. N. (2005). International Affective Picture System (1APS): Affective Ratings of Pictures and Instruction Manual, NIMH center for the study of emotion & attention, Univ. Florida, Gainesvill.
Method and Algorithm of Electroence-phalographic Signals Processing in Computer Medical Diagnostic Systems for Human Psychoemotional Indicators Detection
Khvostivskyy M. O., Pankiv I. M., Fuch O. V., Khvostivska L. V., Doyko R. R., Dunetc V. L., Kartashov V. V.
The method and algorithm for elect.roencephalograpliic signals processing during psychoemotional stress are developed to increase the iiiformat.iveiiess of computer medical diagnostic systems in order to detect temporal transitions between various psychoemotional states in people. The method and algorithm for electroenceplialographic signals processing is based on a mathematical model in the form of a periodically correlated random process and the synpliase 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 electroenceplialographic 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 electroenceplialographic 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 synpliase method for electroenceplialographic signals processing during psycho-emotional stress in the Mat.lab software environment..
Keywords: EEG signal: psychoemotional load: detection: psychoemotional indicators: periodically correlated random process: synpliase method: informative: computer medical diagnostic system: software
