Advances in Cognitive Sciences

fa بازشناسی حالات هیجانی چهره با استفاده از مدل یادگیری هیجانی مغز Recognition of Facial Expression of Emotions Based on Brain Emotional Learning (BEL) Model تخصصي Special پژوهشي اصیل Research  مقدمه: حالات چهره، یکی از مهمترین راههای ارتباطی و پاسخ دهی انسان به محیط پیرامون است. هدف این پژوهش، بهره گیری از مدل یادگیری هیجانی مغز(BEL) برای شناسایی حالات هیجانی چهره است. مدل یادگیری هیجانی مغز، الهام گرفته از سیستم لیمبیک مغز(مسئول محرک حالت هیجانی انسانی) است. این مدل برای بالابردن نرخ بازشناسی حالات هیجانی چهره انسان مورد استفاده قرار گرفته است. روش: ورودی مدل پیشنهادی دیتاست استاندارد JAFFE، شامل شش حالت هیجانی خوشحالی، ناراحتی، خشم، تعجب، ترس و تنفر است. پس از خواندن تصاویر با استفاده از دستورات نرم &lrm;افزار MATLAB، تمامی تصاویر، وارد مرحله استخراج ویژگی می شود. برای استخراج اجزای ریز تصویر از روش PCA استفاده شده است. برای محاسبه نرخ بازشناسی حالات هیجانی چهره، تمامی ویژگیهای استخراج شده از مرحله پیش، وارد دسته بندی مدل BEL می&lrm;شود. در روش BEL، ماتریس ارتباطات با اجزای ابرو، چشم و دهان ایجاد، وابستگی آنها در هر حالت مشخص و حالات چهره، شناسایی می شود. به دلیل نمایش کارایی مدل پیشنهادی، مدل BEL با مدل رقیب SVM مقایسه شده است. یافته ها: نتایج تحلیل دیتاست، نرخ بازشناسی حالات چهره را 93/80درصد نشان میدهد. نتیجه گیری: مدل BEL، نرخ بازشناسی حالات هیجانی را با دقت بالاتر از مدل SVM نشان داد. Introduction: Facial expressions are one of the most important ways of communication and human response to the surrounding environment. The purpose of this study is to use the brain's emotional learning model (BEL) to face emotion recognition. The brain's emotional learning model is inspired by the human brain's limbic system, which is responsible for motivating human emotions. This model has been used to improve the recognition rate of emotional expression of the human face. Method: The input of the proposed model is JAFFE standard dataset which includes six emotional expressions of Happiness, Sadness, Anger, Surprise, Fear and Disgust. After reading images using the MATLAB software commands, all read images will be entered into the extracting step. Also, The PCA method was used to extract the small image components. Finally, to calculate the recognition rate of facial expressions, all extracted features from the previous step are entered into the classification stage of the BEL model. In the application of the BEL method, the communication matrix with the components of the eyebrows, eyes and mouth is created and their dependence is determined in each emotion. This way you can recognize facial expressions. Also, because of the demonstration of the efficiency of the proposed model, the BEL model is compared with the SVM rival model. Results: Dataset analysis results show the recognition rate of facial expressions of 93.8%. Conclusion: According to the results of this research, the BEL model shows the rate of recognition of emotional expressions with higher accuracy than the SVM model. <div></div> حالات هیجانی چهره, استخراج ویژگی, مدل یادگیری هیجانی مغز, ماتریس ارتباطات Facial Expression of Emotion, feature extraction, Brain Emotional Learning, Communication matrix 46 61 http://icssjournal.ir/browse.php?a_code=A-10-1-16&slc_lang=fa&sid=1 fatemeh yaghouti فاطمه یاقوتی Fh.yaghouti@gmail.com 10031947532846005453 10031947532846005453 Yes M.Sc student, Software Computer, Fouman&Shaft Islamic Azad University دانشجوی کارشناسی ارشد کامپیوتر نرم افزار، دانشگاه آزاد اسلامی واحد فومن و شفت Sara motamed سارا معتمد 10031947532846005454 10031947532846005454 No Department of Computer Faculty member, Fouman&Shaft Islamic Azad University عضو هیئت علمی گروه کامپیوتر، دانشگاه آزاد اسلامی فومن و شفت