Resumen

Este artículo informa de los resultados del estudio relacionado con el reconocimiento de emociones mediante el uso de eye-tracking. Las emociones se evocaron presentando un material cinematográfico dinámico en forma de 21 fragmentos de vídeo. Las señales de seguimiento ocular grabadas de 30 participantes se utilizaron para calcular 18 características asociadas a los movimientos oculares (fijaciones y sacadas) y al diámetro de la pupila. Para garantizar que los rasgos estuvieran relacionados con las emociones, se investigó la influencia de la luminancia y la dinámica de las películas presentadas. Se consideraron tres clases de emociones: alta excitación y baja valencia, baja excitación y valencia moderada, y alta excitación y alta valencia. Se obtuvo un máximo de 80 de precisión en la clasificación utilizando el clasificador de máquina de vectores de apoyo (SVM) y el método de validación de un solo sujeto.

• Materias:Minería de datos Algoritmos genéticos Cerebro - fisiopatología Neurociencia Cognitiva Neurofisiología
• Subjects:Data mining Genetic algorithms Brain - pathophysiology Cognitive Neuroscience Neurophysiology
• Palabras claves:alta excitación, material de películas dinámicas, máquina de vectores de apoyo, clase de emociones, influencia de la luminancia, emociones, fragmento de vídeo, valencia moderada, valencia baja, ojo
• Keywords:high arousal, dynamic movies material, support vector machine, class of emotions, influence of luminance, emotions, video fragment, moderate valence, low valence, eye