Determination of Effective EEG Channels for Discrimination of Positive and Negative Emotions with Wavelet Decomposition and Support Vector Machines

Duygular kişilerin yaşamlarını ve karar verme mekanizmalarını hayatının tamamında etkilemektedir. İnsanlarduygulara kelimeleri, sesleri, yüz mimiklerini ve vücut dillerini kullanarak istemli ya istemsiz bir şekilde, iş yaparken,gözlemlerken, düşünürken kısacası çevresiyle iletişim kurarken başvururlar. Bundan dolayı, duyguların davranışlarınıanaliz etmek ve anlamak büyük önem arz etmektedir. Beyin sinyallerine dayalı gerçekleştirilen duygu tahmini günümüzdeBeyin-Bilgisayar Arayüzü (BBA) uygulamalarında büyük yarar sağlamaktadır. BBA uygulamaları daha çok sağlık,eğitim, güvenlik, sanal gerçeklik, bilgisayar oyunları olmak üzere birbirinden farklı birçok alanda kullanılmaktadır.Ancak, beyin sinyallerinin elde edilmesi sırasında gürültülerin ortaya çıkması, EEG kanallarının yanlış seçilmesi, verilerinyoğun olması ve uygun olmayan özellik çıkarım yöntemlerinin kullanılması, BBA uygulamalarının yeterli seviyeyegelememelerine neden olmaktadır. Bu çalışmada, hangi EEG kanallarının pozitif-negatif duyguların ayrımında etkiliolduğu belirlenmeye çalışılmış ve DEAP veri setindeki 32 kanallı EEG sinyalleri kullanılmıştır. Özellik çıkarımaşamasında, dalgacık dönüşümü, bilgi ölçüm yöntemleri ve istatistiksel yöntemler kullanılarak etkili EEG kanallarınınbelirlenmesi hedeflenmiştir. Çalışmanın son aşamasında ise, elde edilen özelliklerden yola çıkılarak oluşturulan eğitimkümesi DVM (Destek Vektör Makineleri) kullanılarak sınıflandırılmıştır. Önerilen yöntemin sınıflandırma performansı,sınıflandırma kesinliği, log-kaybı ve on kat çapraz-doğrulama) ile belirlenmiştir. Her bir EEG kanalı için doğruluk oranıhesaplanmış ve ortalama başarım %74 olacak şekilde gözlemlenmiştir. Önerilen yöntem ve tekniklere göre en etkili EEGkanalları Fp1, FC6, C4, CP1, CP5, CP6, T7, P7 ve Pz olarak belirlenmiştir.People’s lives and decision-making process are influenced by negative-positive emotions. People state their emotions with words, body language, facial expression and voice during thinking, decision making, observing or interacting with the environment. So, it is vital to understand the nature of emotions well. EEG based emotion recognition systems are useful in brain-computer interface (BCI) area. BCI systems are applied in various fields such as education, healthcare systems, virtual reality, video gaming industry. Although EEG signals give much valuable information about brain functions and emotions, brain-computer interface systems have not attained the targeted goals because of artefacts, misuse of EEG channels, data complexity and inappropriate feature extraction and selection methods. In this article, we tried to analyze which EEG channels are effective to estimate positive-negative emotions. We applied publicly available dataset (DEAP) in this work and 32 different EEG channels were classified. Discrete wavelet decomposition, information measurement and statistical methods were applied in the feature extraction phase. In the last phase, SVM (Support Vector Machines) are applied in order to classify the features. The classification performance of the proposed method evaluated by classification accuracy, log-loss, and ten-fold cross validation. Performance accuracy was observed from each EEG channel and average accuracy was found 74%. The experimental results indicated that the best EEG channels for positivenegative emotions Fp1, FC6, C4, CP1, CP5, CP6, T7, P7, and Pz via the proposed method