چکیده: تشخیص و تحلیل احساسات انسان به دلیل تأثیر قابل توجه بر جنبه‌های فیزیولوژیکی و روان‌شناختی، یکی از حوزه‌های کلیدی در تعامل انسان و ماشین به شمار می‌رود. در این پژوهش، با هدف بهبود عملکرد سیستم‌های تشخیص احساسات، از سیگنال‌های الکتروانسفالوگرافی (EEG) و فتوپلتیسموگرافی (PPG) استفاده شده است. داده‌های مورد استفاده از مجموعه داده‌ی DEAP استخراج گردیده که شامل 32 کانال سیگنال مغزی و 8 کانال سیگنال حیاتی است. از میان کانال‌های موجود، 5 کانال سیگنال مغزی و یک کانال PPG انتخاب شد تا تأثیر آن‌ها در تشخیص احساسات بررسی شود. در این تحقیق، از شبکه‌های عصبی عمیق نظیر شبکه عصبی کانولوشنی (CNN)، شبکه حافظه بلندمدت کوتاه‌مدت (LSTM)، ResNet18 و VGG19 برای استخراج ویژگی‌ها و طبقه‌بندی احساسات استفاده شده است. به‌منظور افزایش دقت سیستم تشخیص احساس، تأثیر پیش‌پردازش‌های سطح بالا از جمله تبدیل فوریه، تبدیل فوریه‌ی زمان-کوتاه (STFT) و تبدیل موجک گسسته (DWT) و پیوسته (CWT) وتبدیل استاکول بر کارایی شبکه‌های عصبی مورد ارزیابی قرار گرفت. نتایج به‌دست‌آمده حاکی از آن است که استفاده از این پیش‌پردازش‌ها به‌ویژه در تغییر حوزه سیگنال‌ها، به‌طور معناداری دقت و کارایی سیستم‌های تشخیص احساسات را ارتقاء می‌بخشد. به‌طور مشخص، تحلیل‌های آماری نشان داد که ترکیب سیگنال‌های EEG و PPG با شبکه‌ی ResNet18 و به‌کارگیری تبدیل STFT، دقت شناسایی احساسات را به %99 افزایش می‌دهد. این یافته‌ها، در مقایسه با روش‌های سنتی، بیانگر ارتقاء چشمگیر دقت و کارایی سیستم شناسایی احساسات است و بر پتانسیل بالای استفاده از سیگنال‌های ترکیبی EEG و PPG برای بهبود عملکرد چنین سیستم‌هایی تأکید دارد. نتایج این مطالعه به روشنی نشان‌دهنده‌ی توان بالقوه روش‌های مبتنی بر سیگنال‌های فیزیولوژیک در بهبود سیستم‌های تشخیص احساسات است. به‌طور خاص، بهره‌گیری از تکنیک‌های تغییر حوزه سیگنال تأثیر چشمگیری بر افزایش دقت و کارایی این سیستم‌ها داشته و گامی مؤثر در مسیر توسعه سیستم‌های هوشمند مبتنی بر احساسات انسانی محسوب می‌شود.