Estudio y análisis de métodos para la extracción de características y clasificación de emociones basados en EEG
Advisor
Rodríguez Ortiz, Francisco BorjaEntity
UAM. Departamento de Ingeniería InformáticaDate
2018-12Subjects
Computación afectiva; Neurociencia computacional; Reconocimiento de emociones; InformáticaNote
Máster Universitario en Investigación e Innovación en Tecnologías de la Información y las ComunicacionesEsta obra está bajo una licencia de Creative Commons Reconocimiento-NoComercial-SinObraDerivada 4.0 Internacional.
Abstract
El estado emocional de las personas tiene especial impacto en las actividades cotidianas, por ello, lograr una comunicación más real mediante la sensibilidad emocional entre las máquinas y los usuarios, se ha convertido en una meta importante dentro del contexto de las Interfaces Cerebro Computador (BCI). Esto ha permitido la aparición de la Computación Afectiva, la cual, es un campo emergente de estudio enfocado en el desarrollo de dispositivos y aplicaciones que permitan a las máquinas reconocer, analizar e interpretar las emociones humanas mediante diversos tipos de señales fisiológicas, como por ejemplo EEG. Se han logrado importantes avances dentro de este contexto, sin embargo, los sistemas todavía requieren mayor precisión, por lo cual, se hace importante la investigación de nuevos métodos, métricas y procedimientos que permitan mejorar los resultados obtenidos en investigaciones preliminares. Dentro de los diversos métodos utilizados para el reconocimiento de emociones, el uso de señales EEG ha ido ganando popularidad en base a su velocidad y bajo costo.
En el presente Trabajo de Fin de Máster se han estudiado las principales metodologías utilizadas en la Computación Afectiva, enfocándose en el análisis de diversas características que representen de manera significativa a las señales EEG, para construir en base a ellas supervectores de características, que permitan obtener mejores niveles de acierto al aplicar métodos de clasificación de emociones. Para realizar las pruebas, se utilizó principalmente el set de datos SEED y adicionalmente el set de datos DEAP, los cuales constan de señales obtenidas de experimentos realizados mediante la utilización de video, para evocar estados emocionales específicos. Dentro de las características incluidas en el estudio tenemos, las incluidas en el dominio del tiempo, de la frecuencia y de tiempo-frecuencia, las cuales, se combinaron en supervectores, tomando para el efecto aquellas con mayor valor de acierto a nivel individual. Para la realización de las pruebas se utilizó PCA para reducir la dimensionalidad de los datos y SVM polinomial y RBF para la clasificación de emociones. Adicionalmente, se aplicó el método de fuerza bruta para determinar la combinación óptima de canales, logrando mediante su aplicación mejorar en todos los casos los niveles de acierto logrados al utilizar todos los canales en los supervectores.
iv
Al final del estudio se logró mejorar el rendimiento que tendría una aBCI, mediante la fusión de características adecuadas y canales óptimos en un supervector. The emotional state of people has a special impact on daily activities, therefore, achieving a more real communication through emotional sensitivity between machines and users, has become an important goal within the context of Computer Brain Interfaces (BCI). This has allowed the appearance of Affective Computing, which is an emerging field of study focused on the development of devices and applications that allow machines to recognize, analyze and interpret human emotions through various types of physiological signals, such as EEG. Significant progress has been made in this context, however, the systems still require greater precision, which is why it is important to research new methods, metrics and procedures to improve the results obtained in preliminary investigations. Among the various methods used for the recognition of emotions, the use of EEG signals has been gaining popularity based on its speed and low cost.
In the present study, the main methodologies used in Affective Computing have been studied, focusing on the analysis of diverse characteristics that represent EEG signals in a significant way, to build on them supervectors of characteristics that allow obtaining better levels of success when applying methods of classification of emotions. To carry out the tests, the SEED data set was used mainly and, in addition, the DEAP data set, which consists of signals obtained from experiments carried out using video, to evoke specific emotional states. Within the characteristics included in the study we have those included in the domain of time, frequency and time-frequency, which were combined in supervectors, taking for the effect those with the highest success value at the individual level. For the realization of the tests PCA was used to reduce the dimensionality of the data and polynomial SVM and RBF for the classification of emotions. Additionally, the brute force method was applied to determine the optimal combination of channels, achieving through its application to improve in all cases the success levels achieved by using all the channels in the supervectors.
At the end of the study it was possible to improve the performance that an aBCI would have, by merging adequate characteristics and optimal channels in a supervector.
Files in this item
Google Scholar:Benítez Aldás, Marcos Raphael
This item appears in the following Collection(s)
Except where otherwise noted, this item's license is described as https://creativecommons.org/licenses/by-nc-nd/4.0/
Related items
Showing items related by title, author, creator and subject.
-
Extracción de características mediante redes neuronales multicapa para reconocimiento de idioma
Marcos Quirós, Javier
2017-05 -
Programa de soporte a la extracción de noticias y comentarios de lectores de periódicos online, y análisis de las emociones que transmiten
Andrés Nogales, Jorge de
2014-07