Emotional state classification by using event related potentials

Abstract

İnsan beyni, uzun süredir bilim insanlarına meraklı bir konu olan bir gizemdir. EEG ve çeşitli teknikler kullanılarak insan beyninin çeşitli uyaranlara verdiği reaksiyonun ortaya çıkması konusu ile ilgili birçok çalışma yapılmıştır. Bu çalışmada, beynin yazılı kelimelere verdiği tepki (KNN, MLP, SVM ve naif bayas) sınıflandırma algoritmaları gibi çoklu sınıflandırma teknikleri kullanılarak tartışılacaktır. Duygusal anlam kelimelerinin bir anket aracılığıyla toplandığı ve pozitif anlam kelimelerine ve negatif anlam kelimelerine ayrıldığı yer. Kelimeleri topladıktan sonra, deney, 10 erkeğin kelimelere maruz kaldığı ve beyin okumalarından toplanan verilerin kullanılan sınıflandırma tekniklerinden geçirildiği deney yapıldı. Sonuçlar, beyinlere kelimelerin verdiği tepkiyi görmenin mümkün olduğunu gösterdi, bunun yanında, bu tip problemler için hangisinin en iyi olduğunu belirlemek için sınıflandırma teknikleri arasında bir karşılaştırma yapıldı. SVM sınıflandırma algoritması% 98 eğitim ve% 92 test için en iyi doğruluğu sundu.

Human brain is a mystery that's been a curious subject to scientists for a long time. Therefor many studies took place regarding the subject of unfolding the reaction of the human brain to various stimulus using EEG and various techniques. In this study the reaction of the brain to the written words will be discussed using multiple classification techniques such as (KNN, MLP, SVM and naive bayas) classification algorithms. Where the emotional meaning words were collected through a survey and divided into positive meaning words and negative meaning words. After collecting the words the experiment took place where 10 males were subjected to the words and the collected data from the brain readings passed through the used classification techniques. The results showed that it is possible see the brain reaction to the words, in addition a comparison took place among the classification techniques to determine which one is the best for this type of problems. The SVM classification algorithm presented the best accuracy for training 98% and for testing 92%.