Analiza wpływu bodźca stresującego na zmiany w sygnale EEG

W poniższej pracy omówiona została tematyka ludzkich emocji i wykrywania ich na podstawie sygnału EEG z wykorzystaniem metod analizy sygnałów i uczenia maszynowego. Emocje zostały przedstawione zarówno z psychologicznego, jak i fizjologicznego punktu widzenia, co pozwala na głębsze zrozumienie tematyki. Celem pracy było opracowanie i implementacja algorytmów w języku programowania Python do przetwarzania sygnałów EEG, które umożliwią analizę porównawczą zmian w pracy mózgu osoby podczas stanu normalnego oraz pod wpływem bodźca stresującego. Badaniu zostało poddanych 12 ochotników. Każdej z osób przedstawiono taki sam bodziec w formie nagrania video. Sygnały były rejestrowane w przybliżeniu 12 minut, zostały zapisane, a następnie poddane analizie. Wyznaczono wartości gęstości widmowej mocy (PSD) dla wybranych fal mózgowych. Do klasyfikacji otrzymanych danych wykorzystano algorytm najbliższego sąsiada. Otrzymana dokładność klasyfikatora wyniosła 71%.
Słowa kluczowe:
EEG, przetwarzanie sygnałów, rozpoznawanie emocji, uczenie maszynowe, fale mózgowe.

The following work discusses the topic of human emotions and their detection based on the EEG signal using signal analysis and machine learning methods. Emotions were presented from both a psychological and physiological point of view, which allows for a deeper understanding of the topic. The aim of the project was to develop and implement algorithms in the Python programming language for processing EEG signals, which will enable a comparative analysis of changes in the work of a person's brain during a normal state and under the influence of a stressful stimulus. 12 volunteers took part in the study. Each person was presented with the same stimulus in the form of a video recording. The signals were recorded for approximately 12 minutes, saved and then analyzed. Power spectral density (PSD) values were determined for selected brain waves. The nearest neighbor algorithm was used to classify the obtained data. The accuracy of the classifier was equal to 71%.
Keywords:
EEG, signal processing, emotions recognition, machine learning, brainwaves