Resumen de Método de extracción y selección de características para la implementacion de una interfaz cerebro-computadora en detección de emociones

Ramón Sidonio Aparicio García, Gustavo Juárez Gracia, Jesús Antonio Álvarez Cedillo, Jacobo Sandoval Gutiérrez, Blanca Tovar Corona

• español

  La problemática que se aborda en este trabajo es la ausencia de un método fiable para la identificación de emociones que garantice una detección certera a partir de una señal electroencefalográfica (EEG) obtenida mediante una interfaz Cerebro-Computadora (BCI) portátil. Este trabajo tiene el objetivo principal de plantear un método de obtención de parámetros (atributos) para la clasificación de patrones relacionados a la actividad de señales EEG durante un estímulo afectivo, respondiendo a la actual necesidad de construir computadoras que favorezcan el entendimiento del comportamiento emocional humano y su aplicación en otros campos de investigación.

  El método consiste en utilizar descomposición Wavelet diádica discreta aplicada a las señales de EEG preprocesadas, provenientes de un sólo sensor, para la extracción de datos representativos, seguido de la etapa de selección de atributos, y en seguida pasar a la clasificación supervisada de los patrones con diferentes tipos de algoritmos, comparando por último sus resultados, con la finalidad de discernir el conjunto de condiciones que mejoren el desempeño del método.

  Se utilizó una base de datos de acceso público para probar el método propuesto. Los resultados de la clasificación arrojaron una asertividad promedio de 66,5% para el eje de arousal y 68,1% para el eje de valencia, con el clasificador Naive-Bayes y el algoritmo de selección de correlación individual con respecto a la clase. En resumen, el método es potencialmente útil con una etapa de entrenamiento no exhaustiva utilizando el clasificador Naive Bayes, que es una ventaja durante la detección de emociones ejecutada en tiempo real, y señala la viabilidad de utilizar un número mínimo de sensores, reemplazándolos por combinaciones de características.

• English

  The absence of a reliable method for emotion detection by using electroencephalographic (EEG) signals obtained by portable Brain-Computer interfaces (BCI) stills without a clear answer from the multiple research in this topic. The main goal is propose an approach to obtain parameters (attributes) for the classification of patterns related with the activity of EEG during an affective stimulus, responding to the current need to build computational systems that improve the understanding of emotional human behavior and its application in other fields of research.

  The approach consists on discrete dyadic Wavelet decomposition as the extraction of representative data applied over the pre-proccessed EEG from one sensor, followed by the features selection step, and then the supervised learning of patterns with different types of algorithms, in order to compare the results and set the conditions with the best performance.

  A public access database was used to test the proposed method. The results of the classification threw a mean accuracy of 66.5% for the arousal axis and 68.1% for the valence axis, with the Naïve-Bayes classifier and the individual gain information of the features. In summary, the approach is potentially useful with a non-exhaustive training step by using Naive Bayes classifier, which is an advantage during the online emotion detection tests, and remarks the viability of use a minimal number of sensors, replacing them by feature combinations.