Ημερολόγιο Εκδηλώσεων

Περιγραφή:
ΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗΣ
Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών
Πρόγραμμα Προπτυχιακών Σπουδών

ΠΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ

ΠΑΝΑΓΙΩΤΑΣ ΚΩΝΣΤΑΝΤΙΝΙΔΗ

με θέμα

Αυτοματοποιημένη Αναγνώριση Προσωπικότητας με χρήση Λειτουργικής Συνδεσιμότητας Εγκεφαλογραφήματος

Automatic Personality Recognition using EEG Functional Connectivity


Τετάρτη 20 Ιουνίου 2018, 14:00 μ.μ.
Αίθουσα 145.Π58, Κτίριο Επιστημών, Πολυτεχνειούπολη

Εξεταστική Επιτροπή
Καθηγητής Μιχαήλ Ζερβάκης (επιβλέπων)
Καθηγητής Ευριπίδης Πετράκης
Επίκουρος Καθηγητής Μανούσος Κλάδος (Aston University, United Kingdom)

Περίληψη
Σκοπός της παρούσας εργασίας είναι να εξετάσει κατά πόσο είναι εφικτό να ανιχνευθούν οι βασικές διαστάσεις προσωπικότητας χρησιμοποιώντας ως βάση τη νευροφυσιολογία και συγκεκριμένα την ανάλυση και επεξεργασία εγκεφαλογραφικών σημάτων. Δεδομένου ότι αποδεδειγμένα δεν είναι εφικτό να ανιχνεύσουμε στοιχεία της προσωπικότητας από εγκεφαλογραφικά δεδομένα που έχουν καταγραφεί σε κατάσταση ηρεμίας, προτείνουμε μία μέθοδο βασισμένη στην ιδέα της συναισθηματικής επεξεργασίας. Συγκεκριμένα, τα σήματα τα οποία επεξεργαζόμαστε έχουν καταγραφεί κατά τη διάρκεια ενός πειράματος όπου οι συμμετέχοντες παρακολουθούν βίντεο έντονου συναισθηματικού περιεχομένου. Υπάρχει μεγάλος όγκος δεδομένων, ωστόσο, σε αυτήν την εργασία, επιλέγουμε να αναλύσουμε εκείνα τα σήματα που θεωρούμε ότι προκαλούν τη μεγαλύτερη συναισθηματική διέγερση με βάση το περιεχόμενό τους ώστε να καταλήξουμε σε έγκυρα και εμπεριστατωμένα αποτελέσματα. Πιο αναλυτικά, λοιπόν, διαλέγουμε τα εγκεφαλογραφικά σήματα που προέρχονται από τα βίντεο που προκαλούν υψηλή διέγερση και καλύπτουν όλο το εύρος του “σθένους”, δηλαδή την κλίμακα που φανερώνει πόσο δυνατό είναι το συναίσθημα που ο εκάστοτε συμμετέχων βιώνει. Τα χαρακτηριστικά που εξάγουμε από τα εγκεφαλογραφικά σήματα αφορούν στα νευρωνικά δίκτυα του εγκεφάλου και συγκεκριμένα στα χαρακτηριστικά που διαμορφώνουν τη λειτουργική του συνδεσιμότητα. Εξάγεται ένας μεγάλος αριθμός χαρακτηριστικών οπότε είναι αναγκαίο να περιοριστεί και να δοθεί έμφαση σε αυτά τα χαρακτηριστικά που κυριαρχούν και παρέχουν την περισσότερη πληροφορία. Η ταξινόμηση, που αποτελεί και το τελευταίο κομμάτι της έρευνας, καταλήγει για κάθε συμμετέχοντα, στον επιμέρους δυαδικό διαχωρισμό των διαστάσεων προσωπικότητας (υψηλό-χαμηλό). Συγκρίνονται θεμελιώδεις τεχνικές και αλγόριθμοι μηχανικής μάθησης προκειμένου να βρεθούν εκείνοι που αποδίδουν καλύτερα και καταλήγουν σε μεγαλύτερα ποσοστά ακρίβειας και εγκυρότητας. Οι αλγόριθμοι που μπορούν να διαχειριστούν μεγάλο όγκο δεδομένων και να αντιμετωπίσουν το απαιτητικό πρόβλημα του διαχωρισμού που επιθυμούμε είναι οι Μηχανές Διανυσμάτων Υποστήριξης (ΜΔΥ), η ταξινόμηση με βάση τον κανόνα εγγύτερου γείτονα καθώς και η Ανάλυση Γραμμικού Διαχωριστή. Τα κριτήρια επιλογής των αλγορίθμων όπως και ο ορισμός των παραμέτρων τους είναι άμεσα συσχετισμένα με την τάξη υπολογιστικής πολυπλοκότητας που τους διακρίνει όπως επίσης και με την ικανότητά τους να διαχειρίζονται αποτελεσματικά το μεγάλο όγκο δεδομένων προς επεξεργασία. Στο Πρώτο Κεφάλαιο της παρούσας εργασίας θα εξετάσουμε τις βασικές έννοιες που διέπουν την προσωπικότητα καθώς και μεγάλο κομμάτι της έρευνας που έχει ήδη διεξαχθεί και στοχεύει σε ανίχνευση προσωπικότητας ή/και συναισθηματικής κατάστασης βασισμένο σε νευροφυσιολογικά και μη σήματα. Επιπλέον, είναι το σημείο που υπογραμμίζει τη σημασία και την καινοτομία της παρούσας έρευνας. Στο Δεύτερο Κεφάλαιο, θα παρουσιάσουμε αναλυτικά όλα τη διαδικασία που ακολουθήθηκε από την εξαγωγή των χαρακτηριστικών ως την ταξινόμησή τους. Στο Τρίτο Κεφάλαιο, θα παρουσιάσουμε και θα αναλύσουμε τα αποτελέσματα της εργασίας. Στο Τέταρτο και τελευταίο Κεφάλαιο, θα γίνει μια συνοπτική παράθεση των συμπερασμάτων που προέκυψαν από την εργασία και θα δοθεί κατεύθυνση για πιθανή μελλοντική έρευνα.

Σημαντικοί όροι: Προσωπικότητα, Επεξεργασία Εγκεφαλογραφικών Σημάτων, Συναισθηματική Επεξεργασία, Νευρωνικά Δίκτυα, Λειτουργική Συνδεσιμότητα, Μηχανική Μάθηση, Εξόρυξη Δεδομένων

Abstract
The aim of the present thesis is to examine whether it is possible or not to detect the dimensions of personality using the base of neurophysiology and specifically, the EEG signals processing and analysis. Given that it is not possible to detect any personality traits using EEG data recorded in resting state, we propose a method based on the concept of emotional processing. In particular, the signals we process are recorded during an experiment where participants watch highly emotional videos. Taking into consideration the large amount of data, we select to analyze only the signals considered to induce the highest emotional stimulation in order to result into more accurate and valid results. Therefore, we select the videos that are characterized by high arousal and range from low to high valence, that is the strength level regarding a particular emotion experience. The features extracted are associated with neural brain networks and specifically, connectivity patterns which define their functional connectivity. A large number of features is extracted that needs to be limited in order to emphasize on the dominant features which provide more information. Classification consists the last stage of the research and it results, for each participant, to the individual binarized discrimination of the personality dimensions (high-low). Multiple machine learning algorithms and methods are compared so as to result into those which outperform and provide higher accuracy and validity. The comparison criteria of classification algorithms as well as the definition of their parameters concern the computational complexity that characterizes them and their ability to deal with large amount of data effectively. In the First Chapter of the present work, we introduce the main terms related to personality and we make a review concerning the research already conducted which aims to personality traits or affective states detection using or not neurophysiological signals. Furthermore, it is the part which underlines the innovation and the impact of the present research. In the Second Chapter, we present a thorough analysis of the process followed beginning from the feature extraction to the classification. In the Third Chapter, we present and discuss the results. In the Fourth Chapter, we conclude the research and provide some orientations of future work.

Keywords: Personality, EEG signals processing, emotional processing, Brain Networks, Functional Connectivity, Machine Learning, Data Mining