طبقه بندی احساسات مبتنی بر EEG در تجارت مالی با استفاده از یادگیری عمیق: تأثیر اقدامات کنترل ریسک

معامله گران روز در بازارهای مالی برای تصمیم گیری سریع و محدود کردن ضررهای سرمایه در پاسخ به نوسان قیمت بازار تحت فشار مداوم قرار دارند. به همین ترتیب ، وضعیت عاطفی آنها می تواند تا حد زیادی بر تصمیم گیری آنها تأثیر بگذارد و منجر به نتایج زیر حد متوسط در شرایط بازار بی ثبات شود. با وجود استفاده از اقدامات کنترل ریسک مانند از دست دادن توقف و سفارشات محدود ، مشخص نیست که آیا این استراتژی ها تأثیر قابل توجهی بر وضعیت عاطفی معامله گران دارند یا خیر. در این مقاله ، هدف ما این است که تعیین کنیم که آیا استفاده از سفارشات حد و متوقف کردن از دست دادن تأثیر قابل توجهی در وضعیت عاطفی معامله گران در مقایسه با این اقدامات کنترل ریسک دارد. در این مقاله یک چارچوب فنی برای طبقه بندی Valence-Arousal در تجارت مالی با استفاده از داده های EEG و الگوریتم های یادگیری عمیق فراهم شده است. ما دو آزمایش انجام دادیم: آزمایش اول به کار رفته از دست دادن توقف از پیش تعیین شده و سفارشات برای قفل کردن در اهداف سود و ریسک ، در حالی که آزمایش دوم از سفارشات محدود یا متوقف کردن ضرر استفاده نمی کند. ما همچنین یک معماری عصبی هیبریدی جدید را پیشنهاد کردیم که یک زمینه تصادفی مشروط را با یک مدل CNN-BilStM ادغام می کند و بهینه سازی بیزی را برای تعیین سیستماتیک بیش از حد بهینه بهینه می کند. بهترین مدل در چارچوب دقت طبقه بندی 85. 65 ٪ و 85. 05 ٪ در این دو آزمایش ، از مطالعات قبلی بهتر است. نتایج نشان می دهد که احساسات مرتبط با ارزش کم و برانگیختگی زیاد ، مانند ترس و نگرانی ، در آزمایش دوم شیوع بیشتری داشتند. احساسات مرتبط با ظرفیت بالا و برانگیختگی زیاد ، مانند امید ، در آزمایش اول با استفاده از سفارشات محدود و متوقف کردن از دست دادن شیوع بیشتری داشت. در مقابل ، احساسات بالا و برانگیختگی کم (آرامش) در گروه کنترل برجسته ترین بود که در فعالیت های تجاری شرکت نمی کردند. نتایج ما نشان دهنده اثربخشی چارچوب پیشنهادی ما برای طبقه بندی احساسات در تجارت مالی و کمک به توانایی های تصمیم گیری مربوط به ریسک از بازرگانان روز است. علاوه بر این ، ما محدودیت های کار و دستورالعمل های فعلی را برای تحقیقات آینده ارائه می دهیم.

کلید واژه ها:

1. معرفی

احساسات حالات فیزیولوژیکی هستند که با سیستم عصبی همراه است که بر احساسات و رفتار منطقی تأثیر می گذارد [1]. احساسات و مدیریت آنها به عنوان عوامل اساسی برای تصمیم گیری کارآمد و هوشمندانه دیده می شود [2]. محاسبات عاطفی حوزه ای از هوش مصنوعی است که بر تعامل انسان و رایانه ، مانند شناخت رفتار انسان و حالات عاطفی متمرکز است [3].

در سالهای اخیر ، تشخیص خودکار احساسات در زمینه های مختلفی از جمله تشخیص احساسات از فیلم ها [4] ، صوتی [5] ، متن [6] و بیان صورت استفاده شده است [7]. با توسعه فناوری پوشیدنی کم هزینه ، تکنیک های مبتنی بر الکتروانسفالوگرافی غیر تهاجمی (EEG) برای شناسایی احساسات خودکار به محبوبیت و پذیرش گسترده ای رسیده اند [8]. با دقت زمانی بالا ، امواج EEG مستقیماً فعالیت عصبی مغز را نشان می دهند. اطلاعاتی که این سیگنال ها ارائه می دهند از آنچه که توسط چهره یا متن صورت ارائه شده است قابل اعتماد تر است زیرا نمی توان آنها را جعل یا تکرار کرد تا یک حالت عاطفی را ترسیم کند [9]. محاسبات با سرعت بالا به تکنیک های یادگیری ماشین اجازه داده است تا با داده های EEG استفاده شود تا احساسات را با دقت بیشتری تشخیص دهند [10]. EEG به طور گسترده در زمینه هایی مانند تحقیقات پزشکی برای ارزیابی عملکرد مغز و شرایط عصبی مورد استفاده قرار گرفته است. در سالهای اخیر ، مدل های یادگیری ماشین (ML) برای ایجاد مدل های پیش بینی برای بیماری هایی مانند سکته مغزی و ارزیابی حجم کار ذهنی ، در سیگنال های EEG با AI قابل توضیح استفاده شده است. نمونه هایی از چنین برنامه هایی شامل پیش بینی سکته مغزی مبتنی بر [11،12] ، ارزیابی نتایج عصبی ناشی از کار پس از سکته مغزی [13] ، تشخیص نشانگرهای زیستی عصبی ناشی از رانندگی [14] و پیش بینی مراحل خواب بر اساس نشانگرهای EEG [15]بشردر شناخت احساسات ، هر احساسات با ارزش (طیف احساسات منفی به مثبت) و برانگیختگی (شدت) مرتبط با سیستم عصبی ترکیب می شود [16].

در بازارهای مالی ، معامله گران روز انگیزه دارند تا ضمن جلوگیری از از دست دادن سرمایه ، از حرکت قیمت بازار در کمترین زمان امکان پذیر شوند. آنها در جلسات معاملاتی پر فشار ، آنها به دنبال تغییر شرایط در بازار هستند و به نوسانات شرایط بازار مانند نوسانات ، معکوس روند ، احساسات بازار و وقایع مانند سود و ضرر پاسخ می دهند. این پاسخ ها به طور مداوم احساسات از جمله ترس ، حرص و آز ، امید ، آرامش و پشیمانی را به وجود می آورند [17،18]. بسته به عملکرد تجارت ، شدت عاطفی معامله گران در دوره های مختلف نوسان دارد و ممکن است بر تصمیم گیری منطقی آنها تأثیر بگذارد [19]. معامله گران روز در یک محیط بازار بی ثبات فعالیت می کنند و از حرکات قیمت بازار برای ورود یا خروج از موقعیت های خود استفاده می کنند. با این حال ، آنها دائماً تحت فشار قرار می گیرند تا قضاوت های تقسیم دوم را انجام دهند. تصمیم ورود یا خروج نادرست می تواند منجر به از دست دادن سرمایه قابل توجهی شود [20]. درک و طبقه بندی احساسات آنها می تواند به آنها کمک کند تا وضعیت عاطفی و واکنش های خود را نسبت به وقایع مختلف درک کنند و تصمیمات منطقی بگیرند تا ضررهای آینده را به حداقل برسانند. اثرات روانشناختی و عاطفی معاملات شبیه سازی شده می تواند با تجارت واقعی قابل مقایسه باشد ، زیرا بیشتر معامله گران اهمیت عاطفی را به تصمیمات مربوط به پول متصل می کنند [17]. در ادبیات گذشته مشاهده شده است که برخی از معامله گران حرفه ای تمایل دارند که مواضع خود را برای مدت طولانی حفظ کنند و خیلی زود سرمایه گذاری های برنده خود را بفروشند. علاوه بر این ، بسیاری از معامله گران برای به دست آوردن قیمت های بهتر برای دارایی های خود سفارشات محدودی را اعمال می کنند [21] و از استراتژی های توقف ضرر برای محدود کردن ضررهای بیش از حد استفاده می کنند [22].

در مواجهه با نوسانات منظم بازار ، خطرات و فشار قابل توجهی برای ایجاد سود در ضمن جلوگیری از ضرر ، معامله گران به یک چارچوب سیستماتیک با هوش محیط نیاز دارند تا هنگام انجام قضاوت های مالی مهم خود را برای بهینه سازی ظرفیت تصمیم گیری منطقی خود در معرض خطرات بازار درک کنند [23 23]. در سالهای اخیر ، بسیاری از مطالعات از تکنیک های یادگیری عمیق برای تجزیه و تحلیل سیگنال های EEG و استفاده از آنها برای طبقه بندی احساسات استفاده کرده اند [8،24،25،26،27]. با این حال ، ادبیات مربوط به استفاده از تجزیه و تحلیل مبتنی بر EEG در زمینه بازار سهام و تجارت مالی نسبتاً محدود است [10،17،28،29]. برای به دست آوردن درک عمیق تر از حالات عاطفی و واکنش های مربوط به نتایج تصمیمات تجاری آنها ، نیاز به تحقیق در مورد شناسایی و طبقه بندی احساسات بازرگانان روز وجود دارد. چنین تفاهم می تواند در تدوین استراتژی هایی که می تواند به معامله گران روز در تصمیم گیری های منطقی تر کمک کند ، کمک کند و در نهایت منجر به کاهش ضررهای آینده شود. این امر به ویژه در زمینه بازارهای بی ثبات و محیط پر فشار که در آن روز معامله گران فعالیت می کنند ، مهم است ، جایی که توانایی تصمیم گیری آگاهانه برای به حداقل رساندن ضرر سرمایه بسیار مهم است.

هدف از این مقاله تحقیق ، تعیین وضعیت ارزش معامله گران در هنگام استفاده از سفارشات محدود و متوقف کردن ضرر در معاملات خود و مقایسه حالت های عاطفی آنها در صورت عدم استفاده از این اقدامات کنترل ریسک است. سؤال تحقیق ما بررسی می کند که آیا تفاوت قابل توجهی بین حالات عاطفی معامله گران در دو سناریو وجود دارد یا خیر. ما یک چارچوب جدید برای طبقه بندی احساسات چند ترادرر ارائه می دهیم که از سیگنال های موج مغزی و الگوریتم های یادگیری عمیق و روش های پردازش سیگنال استفاده می کند. ما با ایجاد یک پایگاه داده EEG از شرکت کنندگان در حال انجام معاملات با و بدون توقف از دست دادن و محدود کردن سفارشات در دو آزمایش ، در ادبیات طبقه بندی احساسات مبتنی بر الکتروانسفالوگرافی در تجارت مالی مشارکت می کنیم. ما وضعیت عاطفی شرکت کنندگان را با استفاده از یک مانیکین خود ارزیابی در یک محیط معتبر برای پاسخ به سؤال تحقیق ما ثبت کردیم. اهداف اصلی این تحقیق عبارتند از:

ارائه یک چارچوب فنی برای طبقه بندی احساسات در تجارت مالی با استفاده از داده های EEG و الگوریتم های یادگیری عمیق.

برای تعیین مناسب ترین معماری شبکه عصبی و بهینه سازی آن برای بهبود طبقه بندی احساسات EEG و دستیابی به دقت پیشرفته.

برای بررسی تأثیر سفارشات حد و متوقف کردن ضرر در حالتهای عاطفی معامله گران و تولید یک مجموعه داده الکتروانسفالوگرافی برای سناریوهای معاملاتی مالی.

1. 1مشارکت

سهم عمده این کار به شرح زیر خلاصه می شود:

این مقاله با ارائه یک پایگاه داده EEG که از 20 شرکت کننده در حال انجام تجارت در زمان واقعی و چارچوبی برای طبقه بندی احساسات با استفاده از داده های EEG و الگوریتم های یادگیری عمیق جمع آوری شده است ، به زمینه طبقه بندی احساسات در تجارت مالی کمک می کند.

یک معماری عصبی ترکیبی پیشنهاد شده است و از مطالعات قبلی بهتر است.

این مطالعه شواهدی را ارائه می دهد که نشان می دهد استفاده از اقدامات کنترل ریسک (سفارشات محدود و از دست دادن توقف) تأثیر قابل توجهی در وضعیت عاطفی معامله گران دارد و این اقدامات می تواند حالت های عاطفی مرتبط با تجارت را تحریک کند.

نتایج تجربی نشان می دهد که گروه های بازرگانی حالت های عاطفی قابل توجهی متفاوت از گروه کنترل دارند.

1. 2ساخت کاغذ

بخش های باقیمانده این مقاله به شرح زیر سازماندهی شده است: بخش 2 در مورد روش جمع آوری داده ها ، پیش پردازش داده ها و طرح آزمایشی برای شرکت کنندگان بحث می کند. بخش 3 در مورد چارچوب پیشنهادی و استراتژی های طبقه بندی احساسات مبتنی بر یادگیری عمیق مورد استفاده قرار می گیرد. بخش 4 نتایج تجربی را تجزیه و تحلیل می کند. و بخش 5 مقاله را نتیجه می گیرد.

2. مجموعه داده

2. 1شرکت کنندگان در مطالعه

ما در این مطالعه از داده های الکتروانسفالوگرافی (EEG) برای اعتبارسنجی حالات عاطفی خود گزارش شده بیست فرد سالم استفاده کردیم (20 نفر ، 10 مرد و 10 زن ، 25 تا 60 ساله). همه شرکت کنندگان تجربه معاملات قبلی سهام را برای حفظ همگن این گروه داشتند. هر یک از شرکت کنندگان در یک آزمایش واحد از دو آزمایش 30 دقیقه ای قرار گرفتند. قبل از انجام آزمایشات ، شرکت کنندگان یک ساعت آموزش دستی در رابط کاربری محیط تجارت شبیه سازی شده دریافت کردند.

2. 2فرایند دستیابی و ضبط داده ها

داده های EEG با استفاده از هدست Interaxon Muse 2 جمع آوری شد. هدست Muse 2 EEG امواج مغزی را از چهار کانال (AF7 ، AF8 ، TP9 و TP10) و یک الکترود مرجع (FPZ) ثبت می کند که داده هایی را از مناطق فرونتال (AF7 و AF8) و تمپوروپاترال (TP9 و TP10) به دست می آورد. شکل 1 هدست Interaxon Muse 2 EEG را که برای ضبط سیگنال های موج مغزی استفاده می شود ، نشان می دهد. یک ستون جدید به مجموعه داده ها اضافه شد تا احساسات را در جدول زمانی مشخص شده نشان دهد. سیگنال های خام EEG ضبط شده توسط پیشانی Muse 2 از یک برنامه موبایل به نام Mind Monitor به یک دستگاه ویندوز 10 با استفاده از جریان کنترل صدا باز در پورت 5000 منتقل شده و در یک فایل مسطح ذخیره شده است. برای تسهیل پایین آمدن داده ها و تولید فرکانس جریان یکنواخت ، تمام سیگنال ها با یک جدول زمانی UNIX ثبت شدند. برای به حداقل رساندن نویز و حواس پرتی خارجی ، شرکت کنندگان هنگام انجام مطالعه در معرض سر و صدای خارجی یا اختلال دیگری قرار نگرفتند.

برای اطمینان از یکپارچگی سیگنال های EEG ، به شرکت کنندگان دستور داده شد که حرکت خود را به حداقل برسانند و چشم خود را در کل کارها باز نگه دارند. هنگام نگاه به نمودارهای نشانگر فنی ، تنوع چشمک چشم و وقایع حرکت چشم جانبی می تواند با سطح توجه متنوع همراه باشد. الگوریتم های طبقه بندی می توانند این الگوهای سنبله سیگنال را به خود اختصاص دهند [30]. میزان چشمک زدن به چشم ، که ممکن است سنسورهای AF7 و AF8 را تحت تأثیر قرار دهد ، برای حفظ یک وضعیت طبیعی تشویق یا دلسرد نشده است.

در طول آزمایش 30 دقیقه ای ، شرکت کنندگان در هر دقیقه یک مانیکین خود ارزیابی (SAM) نشان داده شدند و از آنها خواسته شد که احساسات خود را در مقیاس 1 تا 10 ارزیابی کنند. SAM ابزاری است که برچسب زدن سریع احساسات را بدونتعصب ذاتی و با خستگی کمتر شرکت کننده. این احساسات گزارش شده توسط الگوریتم های طبقه بندی احساسات به عنوان برچسب استفاده شد. ما در این مطالعه از نسخه دیجیتالی SAM [32] استفاده کردیم. شکل 2 طبقه بندی احساسات را نشان می دهد که طبق مدل Valence-Arousal از طریق SAM ضبط می شوند. Valence به بعد مثبت یا منفی احساسات اشاره دارد ، در حالی که برانگیختگی به درجه یا قدرت احساسات اشاره دارد. ترکیبی از ظرفیت و برانگیختگی را می توان به چندین حالت عاطفی منتقل کرد ، یعنی برانگیختگی بالایی بالا (HVHA) ، برانگیختگی با ارزش کم (LVHA) ، برانگیختگی کم ارزش (LVLA) و برانگیختگی پایین (HVLA). امید ، ترس ، پشیمانی و آرامش احساسات سطح بالایی است که توسط چارچوب ارزش و عجیبی توصیف شده است ، همانطور که در شکل 2 نشان داده شده است.

3. روش پیشنهادی

در این بخش داده های پیش پردازش داده ها ، استخراج ویژگی ها ، فرآیندهای طبقه بندی احساسات و مقایسه معیارهای عملکرد با مجموعه داده معیار شرح داده شده است. چارچوب پیشنهادی برای طبقه بندی احساسات شامل چندین مرحله اساسی برای اطمینان از دقت بالا در تشخیص احساسات است. مرحله اول شامل کسب و ضبط سیگنال های EEG به همراه خودکشی احساسات با استفاده از مانیکین خود ارزیابی است. در مرحله بعد ، داده های اکتسابی تحت یک مرحله تمیز کردن کامل و قبل از پردازش شرح داده شده در بخش 3. 1 قرار دارند. این مرحله شامل فیلتر کردن و حذف مصنوعات در چندین سطح است تا اطمینان حاصل شود که داده ها با کیفیت بالا و عاری از سر و صدا و سایر اختلالات که می تواند بر نتایج تأثیر بگذارد ، اطمینان حاصل شود. داده های از پیش پردازش شده از طریق تجزیه و تحلیل مؤلفه مستقل (ICA) از باندهای مختلف فرکانس از جمله گاما ، بتا ، آلفا ، تتا و دلتا تحت استخراج ویژگی قرار می گیرند. این مرحله بسیار مهم است زیرا به استخراج بیشتر اطلاعات از سیگنال های EEG برای تجزیه و تحلیل بیشتر کمک می کند. استخراج ویژگی های زیر ، داده ها به یک مجموعه آموزش و یک مجموعه آزمایش تقسیم می شوند. سپس از مجموعه آموزش برای آموزش مدلهای مختلف شبکه عصبی از جمله LSTM ، CNN ، CNN-LSTM ، CNN-BILSTM و CNN-BILSTM-CRF استفاده می شود. با استفاده از بهینه سازی بیزی ، هایپرپارامترهای این طبقه بندی کننده ها برای اطمینان از عملکرد ایده آل خود بهینه می شوند. مرحله آخر در چارچوب پیشنهادی شامل طبقه بندی احساسات در کلاسهای HVHA ، LVHA ، LVLA و HVLA با استفاده از مدل های آموزش دیده است. عملکرد مدل ها سپس با استفاده از معیارهای مختلف عملکرد ، از جمله دقت ، دقت ، حساسیت ، ویژگی ، F-Score ، ROC و AUC ارزیابی می شود و با ادبیات قبلی مقایسه می شود. شکل 3 یک نمودار جریان خود توضیحی از رویکرد کلی طراحی آزمایشی را نشان می دهد.

3. 1پیش پردازش داده های EEG

ما فرآیند زیر را برای پیش پردازش داده های EEG و حذف مصنوعات اعمال کردیم. شکل 4 مراحل مربوط به روش پیش پردازش داده را نشان می دهد:

جمع آوری داده ها: ما داده های EEG خام ضبط شده از هدست Muse 2 را وارد کردیم ، آن را از برنامه Mind Monitor (Mind-monitor. com ، که در 22 نوامبر 2022 قابل دسترسی بود) پخش کردیم و آن را به عنوان یک فایل جدا از کاما ذخیره کردیم.

Downsampling و تمیز کردن داده ها: داده های خام EEG در 256 هرتز ثبت شد ، اما ما آن را با استفاده از نرم افزار EEGLAB ، نسخه 2022. 1 به 128 هرتز کاهش دادیم. برای اطمینان از داده های با کیفیت بالا ، ما 30 ثانیه از داده ها را از ابتدای سیگنال هر شرکت کننده که برای آرامش تعیین شده بود حذف کردیم. ما همچنین مؤلفه های غیر اطلاعاتی سیگنال مانند داده های گمشده ، مقادیر غیر عددی و متغیرهای مربوط به ضربان قلب ، شتاب سنج و ژیروسکوپ را که جمع آوری شده اما مورد مطالعه قرار نگرفته اند ، حذف کردیم.

فیلتر پاس کم و عبور زیاد: در حین ضبط EEG ، سیگنال ها توسط مصنوعات ناشی از لینک های چشم ، ضربان قلب و حرکات عضلانی مانند چمدان فک قطع می شوند [33]. ما این مصنوعات را از سیگنال مجدداً با استفاده از دو فیلتر Butterworth IIR (پاسخ IIR نامحدود) که توسط عبارت زیر آورده شده است حذف کردیم:

H (s) = 1 / (1 + (S / Ω C) (2 N))

در جایی که H (ها) تابع انتقال فیلتر است ، S متغیر فرکانس پیچیده ، ω c فرکانس قطع فیلتر است و n ترتیب فیلتر است (یعنی تعداد قطب های موجود در فیلتر).

ما از دو فیلتر IIR Butterworth برای از بین بردن مصنوعات از سیگنال مجدداً ناشی از لینک های چشم ، ضربان قلب و حرکات عضلانی استفاده کردیم. یک فیلتر کم گذر در 45 هرتز و سپس یک فیلتر عبور بالا در 1 هرتز اعمال شد. قبل از فیلتر ، ما به صورت بصری داده ها را مورد بازرسی قرار دادیم و هر قسمت حاوی مصنوعات قابل توجهی را حذف کردیم تا به حداقل رساندن گسترش این مصنوعات در حین فیلتر برسد. ما فقط بخش های داده مداوم را فیلتر کردیم و از فیلتر کردن مرزها برای جلوگیری از فیلتر آثار باستانی جلوگیری کردیم.

فیلتر Notch: برای کاهش نویز از فرکانس 50 هرتز در سیگنال های EEG ، از یک فیلتر Notch برای از بین بردن نویز خط ناشی از منبع تغذیه الکتریکی استفاده کردیم. این مرحله تضمین می کند که داده های EEG عاری از چنین سر و صدایی و آماده تجزیه و تحلیل بیشتر است.

رد کانال: ما با بررسی کانال هایی با فعالیت EEG بیش از 5 ثانیه ، کانال هایی را برای حذف کانال های معیوب انجام دادیم ، کانال هایی با سر و صدای بالا (انحراف استاندارد بالا نسبت به سایر کانال ها) و کانالهایی با همبستگی کم با سایر کانال ها (همبستگی کم با سایر موارد دیگرکانال ها با استفاده از آستانه رد 0. 70).

الگوریتم رد سیگنال خودکار (ASR): ما از الگوریتم ASR [34] برای رد بیشتر بخش های داده بد بر اساس تعداد کانال های بیش از یک آستانه انحراف استاندارد 20 (مقدار پیش فرض) در یک پنجره زمانی 5 ثانیه استفاده کردیم. این به ما اجازه می دهد تا بخش هایی از داده هایی را که ممکن است در مراحل قبلی از دست رفته باشد ، رد کنیم.

تجزیه و تحلیل مؤلفه مستقل: ما از روش ICA [35] استفاده کردیم تا اثرات مصنوعات مانند ECG ، EMG ، EOG و سایر مواردی را که ممکن است با وجود چندین سطح تمیز کردن در داده ها وجود داشته باشند ، به حداقل برسانیم. ICA یک روش موفق برای مقابله با مصنوعات مانند حرکات عضلانی ، چشمک زدن به چشم ، حرکات جانبی جانبی ، ضربان قلب و سایر موارد است. با این حال ، برای جلوگیری از مصنوعات قوی بر روی داده ها ، ما آنها را در مراحل قبلی فیلتر کردیم زیرا ICA ممکن است نتواند آنها را به طور مؤثر حذف کند.

بازرسی بصری: سرانجام ، ما هرگونه مصنوعات باقیمانده را به صورت دستی با استفاده از روش بازرسی بصری در Eeglab با یک پنجره کشویی 30 ثانیه حذف کردیم. شکل A1 و شکل A2 در پیوست A سیگنال های EEG را قبل و بعد از بازرسی بصری و رد مصنوعات نشان می دهد.

3. 2استخراج ویژگی

پس از به دست آوردن سیگنال های EEG تمیز ، ما از تجزیه و تحلیل مؤلفه مستقل (ICA) [35] در هر چهار کانال ضبط شده برای استخراج ویژگی ها استفاده کردیم. ICA یک روش استخراج ویژگی است که یک سیگنال چند متغیره را به اجزای مستقل تجزیه می کند. علاوه بر استخراج ویژگی ها ، ICA همچنین آثار باستانی تعبیه شده را که می توانند در فرآیند حذف مصنوعات دستی از دست ندهند ، از بین می برد. الگوریتم ICA یک سیگنال غیر ثابت را که با چندین فرکانس مختلط در مؤلفه های مجزا و مستقل (سیگنال) موجود است ، تجزیه می کند ، هر کدام مربوط به یک باند فرکانس متفاوت است. هر باند فرکانس با حالات عاطفی مختلف همراه است. جدول 1 طیف قدرت باندهای فرکانس را نشان می دهد که با حالات عاطفی مختلف همراه هستند [36]. روش ICA فرکانس های گاما ، بتا ، آلفا ، تتا و دلتا را برای هر یک از چهار کانال استخراج می کند. در نتیجه ، هر آزمایش با یک آزمایش واحد 20 ویژگی در هر مجموعه داده ایجاد می کند.

3. 3الگوریتم طبقه بندی احساسات

در این بخش طبقه بندی کننده های شبکه عصبی مورد استفاده برای طبقه بندی احساسات به دنبال پیش پردازش موفقیت آمیز داده های ورودی و استخراج ویژگی ها مورد بحث قرار می گیرد. برای انجام طبقه بندی احساسات ، از پنج نوع مختلف شبکه عصبی ، یعنی LSTM ، CNN ، CNN-LSTM ، CNN-BILSTM و CNN-BILSTM-CRF استفاده کردیم. بهینه سازی بیزی ، هایپرپارامترهای این طبقه بندی ها را بهینه می کند.

3. 3. 1. حافظه کوتاه مدت طولانی

حافظه کوتاه مدت طولانی (LSTM) نوعی از شبکه عصبی مکرر است که برای مدل سازی وابستگی های طولانی مدت در داده های پی در پی طراحی شده است. هر سلول LSTM دنباله ای از بردارهای ورودی x 1 ، x 2 ،… ، x t را می گیرد و دنباله مربوط به بردارهای خروجی H 1 ، H 2 ،… ، H t را تولید می کند. بردارهای ورودی x t و بردارهای خروجی h t در هر مرحله T بسته به کار و مجموعه داده خاص می توانند شکل و ابعاد مختلفی داشته باشند. از نظر ریاضی ، مدل LSTM را می توان با معادلات زیر نشان داد: