Klasifikasi Emosi Senang Dan Sedih Berdasar Sinyal EEG Domain Waktu Menggunakan LSTM

Pratiwi, Monica (2021) Klasifikasi Emosi Senang Dan Sedih Berdasar Sinyal EEG Domain Waktu Menggunakan LSTM. Masters thesis, Institut Teknologi Sepuluh Nopember.

Text 07111950065001-Master_Thesis.pdf - Accepted Version Restricted to Repository staff only Download (5MB) | Request a copy

Abstract

Pengenalan emosi saat ini menjadi topik yang banyak dibahas oleh para peneliti. Ini karena pengaruh emosi yang signifikan dalam kehidupan sehari-hari. Hal ini tidak hanya mempengaruhi kesehatan manusia, tetapi juga memainkan peran penting dalam pengambilan keputusan. Apalagi belakangan ini, pengenalan emosi telah digunakan di bidang media atau pemasaran untuk periklanan, antarmuka pengguna/pengalaman pengguna, pengembangan produk, dll. Electroencephalogram (EEG) adalah sinyal fisiologis yang dapat digunakan untuk mengukur dan mengenali emosi berdasarkan data. dari aktivitas otak manusia. Dalam melakukan pengenalan emosi, ekstraksi fitur dan seleksi merupakan komponen penting. Namun, dari banyak penelitian sebelumnya, masih sedikit penelitian yang mengklasifikasikan emosi menggunakan ekstraksi fitur domain waktu dan LSTM. Dalam penelitian ini, emosi bahagia dan sedih diklasifikasikan menggunakan fitur domain waktu dalam rentang pita EEG alfa rendah (8-10Hz), alfa tinggi (10-13Hz), beta rendah (13-20Hz), dan beta tinggi (20 -30Hz) dari 4 channel berbeda yaitu Fp1, Fp2, F7 dan F8 dalam sistem 10/20 EEG. Data EEG diperoleh dari 25 subjek dewasa dengan rincian 12 laki-laki dan 13 perempuan berusia 17-30 tahun. Dua video stimulasi terpilih digunakan untuk membangkitkan emosi senang dan sedih partisipan. Fitur statistik seperti Mean Absolute Value (MAV), maksimum, dan varians digunakan untuk membedakan antara emosi bahagia dan sedih. Empat model klasifikasi yang diuji dan dianalisis yaitu: regresi logistik, SVM, Long-Short Term Memory (LSTM), dan LSTM dua arah. Hasil eksperimen menunjukkan bahwa fitur MAV memberikan kontribusi akurasi tertinggi (95%) menggunakan LSTM dua arah dibandingkan fitur lainnya. Dengan menerapkan fitur MAV pada 4 pengklasifikasi berbeda yang disebutkan di atas, akurasi tertinggi diperoleh pada pita EEG beta tinggi.
========================================================
Emotion recognition is currently a topic that researchers widely have discussed. This is due to the significant influence of emotions on everyday life. It is not only affecting human health, but also playing an essential role in decision making. Moreover, recently, emotion recognition has been used in the field of media or marketing for advertising, user interface/user experience, product development, etc. Electroencephalogram (EEG) is a physiological signal that can be used to measure and recognize emotions based on data from human brain activity. In performing emotion recognition, feature extraction and selection are essential components. However, from many previous studies, there is little studies that classify emotion using time-domain feature extraction and LSTM. In this study, happy and sad emotions were classified using time-domain features in the range of EEG bands alpha low(8-10Hz), alpha high(10-13Hz), beta low(13-20Hz), and beta high (20-30Hz) from 4 different channel namely Fp1, Fp2, F7 and F8 in 10/20 EEG system. The EEG data was obtained from 25 adult subjects with details: 12 men and 13 women aged 17-30. Two chosen video stimulations were used to arouse participant in happy and sad emotion. Statistical features such as Mean Absolute Value (MAV), maximum, and variance are used to distinguish between happy and sad emotions. Four classification model were tested and analyzed namely: logistic regression, SVM, Long-Short Term Memory (LSTM), and bidirectional LSTM. The experiments result showed that the MAV feature contributed to the highest accuracy (95%) using bidirectional LSTM compared to other features. By applying the MAV feature on 4 different classifiers mentioned above, the highest accuracy was obtained in beta high EEG band.

Item Type:	Thesis (Masters)
Uncontrolled Keywords:	emotion recognition, EEG, time domain signal, LSTM, bidirectional LSTM, pengenalan emosi, EEG, sinyal domain waktu, LSTM, bidirectional LSTM
Subjects:	T Technology > T Technology (General) T Technology > T Technology (General) > T57.5 Data Processing
Divisions:	Faculty of Electrical Technology > Electrical Engineering > 20101-(S2) Master Thesis
Depositing User:	Monica Pratiwi
Date Deposited:	17 Aug 2021 04:52
Last Modified:	17 Aug 2021 04:52
URI:	http://repository.its.ac.id/id/eprint/87224

Actions (login required)

View Item