Los avances recientes en el aprendizaje automático han permitido el desarrollo de técnicas para detectar y reconocer las emociones humanas. Algunas de estas técnicas funcionan analizando señales de electroencefalografía (EEG), que son esencialmente grabaciones de la actividad eléctrica del cerebro obtenidas del cuero cabelludo de una persona.

La mayoría de los métodos de clasificación de emociones basados ​​en EEG introducidos durante la última década emplean técnicas tradicionales de aprendizaje automático (ML), como modelos de máquinas de vectores de soporte (SVM), ya que estos modelos requieren menos muestras de entrenamiento y todavía hay una falta de conjuntos de datos de EEG a gran escala. Recientemente, sin embargo, Los investigadores han recopilado y publicado varios conjuntos de datos nuevos que contienen grabaciones cerebrales EEG.

La publicación de estos conjuntos de datos abre nuevas y emocionantes posibilidades para el reconocimiento de emociones basado en EEG, ya que podrían usarse para entrenar modelos de aprendizaje profundo que logren un mejor rendimiento que las técnicas tradicionales de aprendizaje automático. Desafortunadamente, sin embargo, la baja resolución de las señales de EEG contenidas en estos conjuntos de datos podría dificultar bastante el entrenamiento de modelos de aprendizaje profundo.

"Los problemas de baja resolución siguen siendo un problema para la clasificación de emociones basada en EEG, "Sunhee Hwang, uno de los investigadores que realizó el estudio, dijo a TechXplore. "Se nos ocurrió una idea para resolver este problema, lo que implica generar imágenes de EEG de alta resolución ".

Para mejorar la resolución de los datos de EEG disponibles, Hwang y sus colegas generaron por primera vez las llamadas "características de entropía diferencial que preservan la topología" utilizando las coordenadas del electrodo en el momento en que se recopilaron los datos. Después, desarrollaron una red neuronal convolucional (CNN) y la entrenaron con los datos actualizados, enseñándole a estimar tres clases generales de emociones (es decir, positivo, neutral y negativo).

"Los métodos anteriores tienden a ignorar la información de topología de las características de EEG, pero nuestro método mejora la representación de EEG al aprender las imágenes de EEG de alta resolución generadas, ", Dijo Hwang." Nuestro método reagrupa las características de EEG a través de la CNN propuesta, lo que permite que el efecto de la agrupación logre una mejor representación ".

Los investigadores capacitaron y evaluaron su enfoque en el conjunto de datos de SEED, que contiene señales de EEG de 62 canales. Descubrieron que su método podía clasificar las emociones con una precisión media notable del 90,41 por ciento, superando a otras técnicas de aprendizaje automático para el reconocimiento de emociones basado en EEG.

"Si las señales de EEG se registran a partir de diferentes clips emocionales, las características originales de DE no se pueden agrupar, "Hwang agregó." También aplicamos nuestro método en la tarea de estimar la vigilancia de un conductor para mostrar su disponibilidad estándar ".

En el futuro, el método propuesto por Hwang y sus colegas podría informar el desarrollo de nuevas herramientas de reconocimiento de emociones basadas en EEG, ya que presenta una solución viable para superar los problemas asociados con la baja resolución de los datos de EEG. El mismo enfoque también podría aplicarse a otros modelos de aprendizaje profundo para el análisis de datos de EEG, incluso aquellos diseñados para algo más que clasificar las emociones humanas.

"Para tareas de visión artificial, Los conjuntos de datos a gran escala permitieron el gran éxito de los modelos de aprendizaje profundo para la clasificación de imágenes, algunos de los cuales han ido más allá del desempeño humano, "Dijo Hwang." Además, El preprocesamiento de datos complejo ya no es necesario. En nuestro trabajo futuro, esperamos generar conjuntos de datos de EEG a gran escala utilizando una red de confrontación generada (GAN) ".

© 2019 Science X Network