Ανίχνευση βασικών συναισθημάτων με χρήση βιοσημάτων
Τα συναισθήματα διαδραματίζουν πολύ σημαντικό ρόλο στην ανθρώπινη καθημερινότητα. Επηρεάζουν τις αποφάσεις, τον τρόπο που οι άνθρωποι επικοινωνούν, ακόμα και την υγεία τους. Η συνεχής εξέλιξη στον τομέα της υπολογιστικής έχει δημιουργήσει την ανάγκη συνεχούς βελτίωσης του τρόπου με τον οποίο επικοιν...
| Main Author: | |
|---|---|
| Other Authors: | |
| Language: | Greek |
| Published: |
2021
|
| Subjects: | |
| Online Access: | http://hdl.handle.net/10889/15367 |
| id |
nemertes-10889-15367 |
|---|---|
| record_format |
dspace |
| institution |
UPatras |
| collection |
Nemertes |
| language |
Greek |
| topic |
Αναγνώριση συναισθημάτων Βιοσήματα Μηχανική μάθηση Emotion recognition Biosignals Machine learning |
| spellingShingle |
Αναγνώριση συναισθημάτων Βιοσήματα Μηχανική μάθηση Emotion recognition Biosignals Machine learning Κλαριδόπουλος, Χρήστος Ανίχνευση βασικών συναισθημάτων με χρήση βιοσημάτων |
| description |
Τα συναισθήματα διαδραματίζουν πολύ σημαντικό ρόλο στην ανθρώπινη καθημερινότητα. Επηρεάζουν τις αποφάσεις, τον τρόπο που οι άνθρωποι επικοινωνούν, ακόμα και την υγεία τους. Η συνεχής εξέλιξη στον τομέα της υπολογιστικής έχει δημιουργήσει την ανάγκη συνεχούς βελτίωσης του τρόπου με τον οποίο επικοινωνούν οι άνθρωποι με τις μηχανές. Αυτό μπορεί να επιτευχθεί με την ανάπτυξη συστημάτων αναγνώρισης συναισθημάτων, ώστε να μπορούν οι υπολογιστές να ανιχνεύουν τα συναισθήματα των χρηστών και να προσαρμόζονται με βάση αυτά, για να βελτιωθεί η εμπειρία χρήστη.
Σκοπός της παρούσας διπλωματικής εργασίας είναι η ανάπτυξη ενός συστήματος αναγνώρισης συναισθημάτων με χρήση βιοσημάτων το οποίο θα είναι ικανό να χρησιμοποιηθεί σε φορετές συσκευές (wearables). Η διπλωματική εργασία αποτελείται από δύο μέρη. Στο πρώτο μέρος, γίνεται μία ανάλυση του θεωρητικού υπόβαθρου που είναι απαραίτητο να υπάρχει για την ανάπτυξη ενός τέτοιου συστήματος. Αυτό περιλαμβάνει τα δομικά στοιχεία από τα οποία αποτελείται ένα σύστημα αναγνώρισης συναισθημάτων, δηλαδή την καταγραφή των σημάτων, την προεπεξεργασία, την εξαγωγή χαρακτηριστικών και την χρήση ταξινομητών. Στη συνέχεια, αναλύονται τρόποι με τους οποίους μπορούν να υλοποιηθούν διαφορετικοί ταξινομητές και να συνδυαστούν τα αποτελέσματα τους. Στο δεύτερο μέρος της εργασίας παρουσιάζεται μια πειραματική διαδικασία, η οποία περιλαμβάνει την υλοποίηση ενός συστήματος αναγνώρισης δύο συναισθημάτων, άγχους και λύπης, με χρήση βιοσημάτων GSR, PPG και Skin Temperature. Σκοπός είναι η εύρεση του βέλτιστου συνδυασμού αυτών των σημάτων για την επίτευξη της υψηλότερης δυνατής ακρίβειας αναγνώρισης των δύο συναισθηματικών καταστάσεων. Στο τέλος, παρουσιάζονται τα καλύτερα αποτελέσματα της πειραματικής διαδικασίας και προτείνονται πιθανές μελλοντικές βελτιώσεις του συστήματος.
Η ανάπτυξη του συστήματος αναγνώρισης δύο συναισθημάτων με χρήση βιοσημάτων έγινε με χρήση του λογισμικού Matlab για την επεξεργασία των σημάτων και την υλοποίηση απλών ταξινομητών, ενώ έγινε και χρήση της Python 3.6 και της βιβλιοθήκης Tensorflow για την ανάπτυξη ενός νευρωνικού δικτύου. Για την πειραματική διαδικασία χρησιμοποιήθηκε το σετ δεδομένων DEAP. |
| author2 |
Klaridopoulos, Christos |
| author_facet |
Klaridopoulos, Christos Κλαριδόπουλος, Χρήστος |
| author |
Κλαριδόπουλος, Χρήστος |
| author_sort |
Κλαριδόπουλος, Χρήστος |
| title |
Ανίχνευση βασικών συναισθημάτων με χρήση βιοσημάτων |
| title_short |
Ανίχνευση βασικών συναισθημάτων με χρήση βιοσημάτων |
| title_full |
Ανίχνευση βασικών συναισθημάτων με χρήση βιοσημάτων |
| title_fullStr |
Ανίχνευση βασικών συναισθημάτων με χρήση βιοσημάτων |
| title_full_unstemmed |
Ανίχνευση βασικών συναισθημάτων με χρήση βιοσημάτων |
| title_sort |
ανίχνευση βασικών συναισθημάτων με χρήση βιοσημάτων |
| publishDate |
2021 |
| url |
http://hdl.handle.net/10889/15367 |
| work_keys_str_mv |
AT klaridopouloschrēstos anichneusēbasikōnsynaisthēmatōnmechrēsēbiosēmatōn AT klaridopouloschrēstos recognitionofbasicemotionsusingbiosignals |
| _version_ |
1771297261491322880 |
| spelling |
nemertes-10889-153672022-09-05T13:56:29Z Ανίχνευση βασικών συναισθημάτων με χρήση βιοσημάτων Recognition of basic emotions using biosignals Κλαριδόπουλος, Χρήστος Klaridopoulos, Christos Αναγνώριση συναισθημάτων Βιοσήματα Μηχανική μάθηση Emotion recognition Biosignals Machine learning Τα συναισθήματα διαδραματίζουν πολύ σημαντικό ρόλο στην ανθρώπινη καθημερινότητα. Επηρεάζουν τις αποφάσεις, τον τρόπο που οι άνθρωποι επικοινωνούν, ακόμα και την υγεία τους. Η συνεχής εξέλιξη στον τομέα της υπολογιστικής έχει δημιουργήσει την ανάγκη συνεχούς βελτίωσης του τρόπου με τον οποίο επικοινωνούν οι άνθρωποι με τις μηχανές. Αυτό μπορεί να επιτευχθεί με την ανάπτυξη συστημάτων αναγνώρισης συναισθημάτων, ώστε να μπορούν οι υπολογιστές να ανιχνεύουν τα συναισθήματα των χρηστών και να προσαρμόζονται με βάση αυτά, για να βελτιωθεί η εμπειρία χρήστη. Σκοπός της παρούσας διπλωματικής εργασίας είναι η ανάπτυξη ενός συστήματος αναγνώρισης συναισθημάτων με χρήση βιοσημάτων το οποίο θα είναι ικανό να χρησιμοποιηθεί σε φορετές συσκευές (wearables). Η διπλωματική εργασία αποτελείται από δύο μέρη. Στο πρώτο μέρος, γίνεται μία ανάλυση του θεωρητικού υπόβαθρου που είναι απαραίτητο να υπάρχει για την ανάπτυξη ενός τέτοιου συστήματος. Αυτό περιλαμβάνει τα δομικά στοιχεία από τα οποία αποτελείται ένα σύστημα αναγνώρισης συναισθημάτων, δηλαδή την καταγραφή των σημάτων, την προεπεξεργασία, την εξαγωγή χαρακτηριστικών και την χρήση ταξινομητών. Στη συνέχεια, αναλύονται τρόποι με τους οποίους μπορούν να υλοποιηθούν διαφορετικοί ταξινομητές και να συνδυαστούν τα αποτελέσματα τους. Στο δεύτερο μέρος της εργασίας παρουσιάζεται μια πειραματική διαδικασία, η οποία περιλαμβάνει την υλοποίηση ενός συστήματος αναγνώρισης δύο συναισθημάτων, άγχους και λύπης, με χρήση βιοσημάτων GSR, PPG και Skin Temperature. Σκοπός είναι η εύρεση του βέλτιστου συνδυασμού αυτών των σημάτων για την επίτευξη της υψηλότερης δυνατής ακρίβειας αναγνώρισης των δύο συναισθηματικών καταστάσεων. Στο τέλος, παρουσιάζονται τα καλύτερα αποτελέσματα της πειραματικής διαδικασίας και προτείνονται πιθανές μελλοντικές βελτιώσεις του συστήματος. Η ανάπτυξη του συστήματος αναγνώρισης δύο συναισθημάτων με χρήση βιοσημάτων έγινε με χρήση του λογισμικού Matlab για την επεξεργασία των σημάτων και την υλοποίηση απλών ταξινομητών, ενώ έγινε και χρήση της Python 3.6 και της βιβλιοθήκης Tensorflow για την ανάπτυξη ενός νευρωνικού δικτύου. Για την πειραματική διαδικασία χρησιμοποιήθηκε το σετ δεδομένων DEAP. Emotions play a very important part in people’s everyday lives. They affect decisions, the way people communicate, even their health. The continuous growth of the computing science poses the need for improvements in the way that humans communicate with computers. This can be achieved by developing emotion recognition systems which will enable computers to detect users’ emotions and adapt, in order to offer a better experience. The purpose of the current thesis is to develop an emotion recognition system using biosignals which will be used in wearables. This thesis consists of two parts. The first one analyses the necessary theoretical background needed for the deployment of such a system. Emotion recognition systems require four basic elements i.e., recording biosignals, preprocessing, feature extraction and classification. Furthermore, implementation of different classification problems and use of classification combiner is presented. In part two, an experimental procedure is described, which aims at recognizing two basic emotions, sadness and anxiety using GSR, PPG and Skin Temperature as the recorded biosignals. The purpose of this experimental procedure is to find the best combination of biosignals for deploying a high accuracy emotion recognition system. Finally, the classification results are presented along with future implementations and improvements. The two basic emotion recognition system using biosignals was developed in Matlab for processing the signals and implementing simple classification algorithms, while Python 3.6 and Tensorflow library were used for the implementation of a multilayer perceptron network. The DEAP dataset, an online free dataset, was used during the experimental procedure. 2021-10-18T09:59:50Z 2021-10-18T09:59:50Z 2021-10-14 http://hdl.handle.net/10889/15367 gr application/pdf |
