ANÁLISIS DE SEÑALES ELECTROENCEFALOGRÁFICAS PARA CLASIFICAR EMOCIONES UTILIZANDO EL MODELO BIDIMENSIONAL VALENCIA-EXCITACIÓN

LÓPEZ RENTERÍA, JESSICA (2020) ANÁLISIS DE SEÑALES ELECTROENCEFALOGRÁFICAS PARA CLASIFICAR EMOCIONES UTILIZANDO EL MODELO BIDIMENSIONAL VALENCIA-EXCITACIÓN. Maestría thesis, UNIVERSIDAD AUTONOMA DE CHIHUAHUA.

Vista Previa

Text Tesis Final (Ing. Jessica López Rentería 259719).pdf Download (4Mb) | Vista Previa

Resumen

Las emociones se definen como estados mentales complejos, generados a partir de la reacción del ser humano ante estímulos internos o externos que producen cambios a nivel fisiológico. Los cuales pueden monitorearse con el propósito de identificar los diferentes estados emocionales de un ser humano. Actualmente existen pocas bases de datos de dominio público que permiten analizar emociones en señales electroencefalográficas (EEG), es por ello que en el presente trabajo de investigación se creó una base de datos utilizando el software y el electroencefalógrafo AURA. Esto con el apoyo del Laboratorio de Mirai Innovation Research Institute en la ciudad de Osaka, Japón. La base de datos que se creó contiene información de 14 participantes originarios de diversos estados de México, a los cuales se les mostró una serie de estímulos audiovisuales de marketing enfocados en la generación de 4 emociones diferentes: felicidad, tristeza, calma e ira. En este trabajo se presentan gráficos, tablas y resultados que permiten evaluar y analizar el desempeño de algoritmos computacionales para la clasificación de emociones a través de la extracción y selección de características en señales EEG en dos bases de datos: la base de datos creada y la base de datos de dominio público DEAP. La extracción de características se basó en mediciones temporales y espectro-temporales, utilizando la señal EEG cruda y la descomposición Wavelet respectivamente. El algoritmo de Random Forest obtuvo el mejor desempeño en cuanto al problema de clasificación en la base de datos creada con un 99% de accuracy promedio en la clasificación de las 4 emociones definidas. No obstante, los resultados obtenidos a partir de los algoritmos de Support Vector Machine y Random Forest para la base de datos DEAP fueron más bajos (38% y 34% respectivamente) en comparación con el estado del arte. Por consiguiente, se desarrolló un análisis extra con base en una clasificación binaria la cual se realizó a través del algoritmo de principal component analysis y los algoritmos anteriormente descritos. El resultado en cuanto a las dimensiones de valencia y excitación fue de 67.84 y 68.42%, respectivamente. Asimismo, se implementó un Multilayer Perceptron (MLP) para establecer una comparación de los resultados obtenidos. El porcentaje de accuracy promedio del MLP fue de 56.04% para la dimensión de valencia y 58.11% para la dimensión de excitación. El análisis de emociones es un área que requiere de más investigaciones científicas, para el desarrollo futuro de aplicaciones en tiempo real.

Actions (login required)

Ver Objeto