Введение 5
1.1 Нейромаркетинг 7
1.2 Электроэнцефалограмма 11
1.3 Куб эмоций Лёвхейма 12
1.4 Актуальность и новизна 14
1.5 Обзор существующих методов по определению эмоционального
состояния на основе ЭЭГ 14
1.6 Построение гипотезы 16
1.7 Алгоритмы машинного обучения 17
2 Описание экспериментального оборудования 19
2.1 Прибор Нейрон-спектр. Описание, технические характеристики 19
2.2 Структура выходных данных, полученных в ходе эксперимента 20
3 Эксперимент 21
4 Численная модель эмоций на основе данных ЭЭГ 27
4.1 Анализ полученных данных 27
4.2 Численные характеристики данных 30
4.2.1 Вычисление показателей 33
4.2.2 Классификация данных 34
4.3 Выводы 38
Заключение: 40
Список используемой литературы: 41
Желание распознавать эмоции, предугадывать и контролировать их появилось у человека давно. Не удивительно, что изучением данного вопроса занимается такая научная группа, как MIT Media. Весьма эффективно подобные знания можно использовать и в коммерческой деятельности, появилась даже целая наука - нейромаркетинг. Многие крупные компании, в том числе CocaCola, Google, General Motors, Nestle и Procter & Gamble, уже давно используют нейромаркетинг, чтобы влиять на наше подсознание. Но все же уровень знаний по данному вопросу не достиг той отметки, когда с легкостью можно было бы определить, что чувствует человек в тот или иной момент, предсказать и повлиять на эти эмоции, поэтому исследования в этой области продолжаются и весьма активно. Наряду с желанием изучить природу эмоций стала развиваться идея о том, чтобы наделить этими эмоциями «бездушные» машины. В свою очередь стало понятно, что машинам, для того чтобы стать обладателями эмоций, не достаточно просто хаотически их проявлять, необходимо адекватное адаптивное поведение, реагирующее на окружающую среду и непосредственно на другие объекты, проявляющие эмоции. Изучение подобных задач привело к появлению направления эмоциональных вычислений, или Affective Computing, которое произошло после публикации книги профессора MIT Розалинд Пикард [1] в 1997 году. Данная книга стала начальной точкой исследований Массачусетского технологического института.
Объектом данного исследования в рамках выпускной дипломной работы стало эмоциональное состояние человека и его соотношение с уровнями нейромедиаторов. Возникла идея представить эмоции в числах, рассматривать их с точки зрения физиологических показателей человека, а именно данных ЭЭГ.
В современных реалиях, в условиях жесткой конкуренции эффективность маркетинговых каналов снижается в силу перенасыщенности рекламной информацией медиапространства.
Поэтому возникают вопросы:
- как выделить предложение среди всей общей рекламной массы;
- как его сформировать;
- как донести до сознания предлагаемый продукт и зафиксировать информацию у человека в памяти;
- как спрогнозировать, какой эффект будет от рекламы.
Поможет ответить на все эти вопросы раздел науки нейроэкономика нейромаркетинг.
Основная цель, которую мы хотим достигнуть в данной выпускной квалификационной работе - выяснить, можно ли на основе данных ЭЭГ подтвердить или опровергнуть теорию модели куба эмоций Лёвхейма.
Исходя из поставленной цели были сформированы ряд задач:
- провести сбор данных;
- разработать численное представление полученных данных;
- произвести анализ данных, проверить зависимости;
- сформулировать вывод по полученным результатам.
Подводя итог выполненной работы можно сказать, что поставленные задачи успешно были выполнены и был получен научный результат - частично подтверждена гипотеза верности теории модели куба эмоций Левхейма.
В данной работе были выполнены следующие задачи:
• проведен сбор данных;
• разработано численное представление полученных данных;
• произведен анализ данных, установлены зависимости;
• сформулирован вывод по полученным результатам.
Исследования по данной выпускной квалификационной работе проведены в рамках большого проекта “Численная модель эмоций” Высшей школы ИТИС.
1. Picard Rosalind W. Affective Computing / Rosalind W. Picard — The
MIT Press, 1997.
2. Нейромаркетинг: новый подход к повышению конверсии [Электронный
ресурс]/ Режим доступа: https://habrahabr.ru/post/246677/, свободный.
3. Lovheim, H (2012). "A new three-dimensional model for emotions and monoamine neurotransmitters". Med Hypotheses.
4. Chanel, G., Kronegg, J., Grandjean, D. and Pun, T. (2005) Emotion assessment: Arousal evaluation using EEG’s and peripheral physiological signals. Technical Report, 4105, 530-537.
5. Danny, O.B. (2008) Automated artifact detection in brain stream. Technical Report, 1-8
6. Murugappan Murugappan, Nagarajan Ramachandran, Yaacob Sazali. Classification of human emotion from EEG using discrete wavelet transform. //
J. Biomedical Science and Engineering, 2010, 3, 390-396
7. Wang, Y. and Guan, L. (2005) Recognizing human emotion from audiovisual information. Proceedings of the International Conference on Acoustics, Speech, and Signal Processing, 2, 1125-1128
8. Takahashi, K. and Tsukaguchi, A. (2004) Remarks on emotion recognition from multi-modal bio-potential signals. Proceedings of IEEE International Workshop on Robot and Human Interactive Communication, 95-10
9. Merzagora, A.C., Bunce, S., Izzetoglu, M. and Onaral, B. (2006) Wavelet analysis for EEG feature extraction in deceptive detection. IEEE Proceedings on EBMS, 6, 2434- 2437.
10. Murugappan, M., Rizon, M., Nagarajan, R., Yaacob, S., Hazry, D. and Zunaidi, I. (2008) Time-frequency analysis of EEG signals for human emotion detection. IFMBE Proceedings, 21, 262-265
11. Jonghwa, K. and Elisabeth, A. (2008) Emotion recognition based on physiological changes in music listening. IEEE Transactions on Pattern Analysis and Machine Intelligence, 30(12), 1-17.
12. Murugappan, M., Rizon, M., Nagarajan, R. and Yaacob, S. (2009) An Investigation on visual and audiovisual stimulus based emotion recognition using EEG. Transactions on Medical Engineering and Informatics, 1(3), 342-356
13. Danny Oude Bos (2007).EEG-based Emotion Recognition.The Influence of Visual and Auditory Stimuli.
14. Ron Kohavi; Foster Provost (1998). "Glossary of terms". Machine Learning, 271-274.
15. Wernick, Yang, Brankov, Yourganov and Strother, Machine Learning in Medical Imaging, IEEE Signal Processing Magazine, vol. 27, no. 4, July 2010, pp. 25-38
16. Breiman, Leo (2001). «Random Forests»
17. Talanov M.b, Vallverdu J.a , Hu B.c , Moore P.c , Toschev A.b, Shatunova D.b, Maganova A.b, Sedlenko D.b, Leukhin A.b. (2016). Emotional simulations and depression diagnostics. Biologically Inspired Cognitive Architectures 18, pp. 41-50.