Show simple item record

Ταξινόμηση συναισθημάτων από κύματα ΗΕΓ με χρήση βαθιάς μάθησης

dc.contributor.advisorΓιαννακόπουλος, Παναγιώτης
dc.contributor.authorΒραχνάκη, Ιωάννα
dc.date.accessioned2023-04-19T08:19:57Z
dc.date.available2023-04-19T08:19:57Z
dc.date.issued2023-03-02
dc.identifier.urihttps://polynoe.lib.uniwa.gr/xmlui/handle/11400/4249
dc.identifier.urihttp://dx.doi.org/10.26265/polynoe-4088
dc.description.abstractΣτην παρούσα διπλωματική εργασία υλοποιείται εφαρμογή, η οποία ταξινομεί τριών ειδών συναισθήματα από κύματα ΗΕΓ κάνοντας χρήση μεθόδων βαθιάς μάθησης. Οι μεθοδολογίες που χρησιμοποιήθηκαν ήταν του MLP, του Keras API, του LSTM, του GRU και του CNN κάνονταςάμεση σύγκριση προκειμένου να δειχθεί η βέλτιστη. Τα δεδομένα που επεξεργάσθηκαν ήταν εγκεφαλικά κύματα που πάρθηκαν από πείραμα στο οποίο οι συμμετέχοντες παρακολουθούσαν βίντεο, ενώ καταγραφόταν η συναισθηματική τους κατάσταση από ηλεκτροεγκεφαλογράφο. Τα συναισθήματα που προέκυψαν κατηγοριοποιούνται σε θετικά, αρνητικά και ουδέτερα. Το θεωρητικό υπόβαθρο αυτής της υλοποίησης υπογραμμίζει τρία κεφάλαια, όπου αναπτύσσονται: η αντίληψη συναισθημάτων, η νευροεπιστήμη της νόησης και τα δεδομένα με τη βαθιά μάθηση. Σε αυτά γίνεται επέκταση των εννοιών για τη νόηση, το συναίσθημα, το γνωσιακό προβληματισμό, τη νευροεπιστήμη, τον ηλεκτροεγκεφαλογράφο, τους τύπους, την ποιότητα και την προεπεξεργασία των δεδομένων, όπως και λίγα λόγια για τη μηχανική και τη βαθιάμάθηση. Τα υπόλοιπα κεφάλαια περιλαμβάνουν την εισαγωγή, την εφαρμογή που περιλαμβάνει την υλοποίηση καθώς και τα τελικά συμπεράσματα. Η επιλογή αυτού του θέματος ήταν έμπνευση από την λειτουργία του ανθρώπινου εγκεφάλου. Η δυνατότητα ανάγνωσης του ανθρώπινου νου μέσα από τη βαθιά μάθηση μπορεί να θεωρηθεί και τέχνη, καθώς ανοίγει νέους ορίζοντες για την ερμηνεία της λειτουργίας του εγκεφάλου, η οποία δεν έχει γίνει πλήρως κατανοητή μέχρι σήμερα. Η παρούσα εργασία ήταν μια πρόκληση για τις μεθόδους της βαθιάς μάθησης, όπως και μια ανακάλυψη για το που έχει φτάσει η τεχνολογία και πόσο ακόμα έχει να εξελιχθεί.el
dc.format.extent78el
dc.language.isoelel
dc.publisherΠανεπιστήμιο Δυτικής Αττικήςel
dc.rightsΑναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 4.0 Διεθνές*
dc.rightsAttribution-NonCommercial-NoDerivatives 4.0 Διεθνές*
dc.rightsAttribution-NonCommercial-NoDerivatives 4.0 Διεθνές*
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/4.0/*
dc.subjectΝόησηel
dc.subjectΗΕΓel
dc.subjectΤαξινόμηση συναισθημάτωνel
dc.subjectΕγκεφαλικά κύματαel
dc.subjectΒαθιά μάθησηel
dc.titleΤαξινόμηση συναισθημάτων από κύματα ΗΕΓ με χρήση βαθιάς μάθησηςel
dc.title.alternativeΕmotions classification from EEG waves using deep learningel
dc.typeΔιπλωματική εργασίαel
dc.contributor.committeeΠρεζεράκος, Γεώργιος
dc.contributor.committeeΒογιατζής, Ιωάννης
dc.contributor.facultyΣχολή Μηχανικώνel
dc.contributor.departmentΤμήμα Μηχανικών Πληροφορικής και Υπολογιστώνel
dc.description.abstracttranslatedn this thesis an application is implemented, which classifies three types of emotions from EEG waves using deep learning methods. The methodologies used were of MLP, Keras API, LSTM, GRU and CNN making direct comparison in order to show the optimal one. The data processed were brain waves taken from an experiment in which participants watched videos while their emotional state was recorded by an electroencephalogram. The resulting emotions were categorized into positive, negative and neutral. The theoretical background of this implementation highlights three chapters, which develop: emotion perception, the neuroscience of cognition and data with deep learning. In these, the concepts of cognition, emotion, cognitive reflection, neuroscience, electroencephalography, data types, quality and preprocessing are expanded, as well as a few words about machineand deep learning. The remaining chapters include the introduction, the applicationincluding the implementation as well as the final conclusions. The choice of this topic was inspired by the functioning of the human brain. The ability to read the human mind through deep learning can also be considered an art, as it opens new horizons for the interpretation of brain function, which has not been fully understood to this day. This paper was a challenge to deep learning methods, as well as a discovery of where technology has come and how far it has yet to evolve.el


Files in this item

Thumbnail

This item appears in the following Collection(s)

Show simple item record

Αναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 4.0 Διεθνές
Except where otherwise noted, this item's license is described as
Αναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 4.0 Διεθνές