Resumen

Con el fin de mejorar la precisión de la clasificación y la fiabilidad de la evaluación del estado emocional y proporcionar apoyo y ayuda a la musicoterapia, este trabajo propone un método de análisis de EEG basado en la transformada wavelet bajo el estímulo de la percepción musical. Utilizando los datos de la base de datos multicanal de emociones estándar (DEAP), se extraen los ritmos α, ß y θ en los canales frontal (F3 y F4), temporal (T7 y T8) y central (C3 y C4) con transformada wavelet. A continuación, se extrae la energía media y los valores propios de la diferencia de amplitud de los componentes del FMI de las ondas rítmicas del EEG, es decir, cada onda rítmica contiene tres características de energía media y dos valores propios de diferencia de amplitud para extraer toda la información del EEG. Por último, se realiza una evaluación del estado emocional basada en un clasificador de máquina de vectores de soporte. Los resultados muestran que la tasa de aciertos entre ausencia de emoción, emoción positiva y emoción negativa puede alcanzar más del 90%. Entre los problemas de clasificación por pares entre las cuatro emociones seleccionadas, la precisión de la clasificación obtenida por este método de extracción de características del EEG es superior a la obtenida por los métodos generales de extracción de características, que puede alcanzar aproximadamente el 70%. Los cambios en la potencia de onda α del EEG estaban estrechamente correlacionados con la polaridad y la intensidad de la emoción; la potencia de onda α variaba significativamente entre "felicidad y miedo", "placer y miedo" y "miedo y tristeza". Tiene buenas perspectivas de aplicación tanto en la investigación psicológica y fisiológica de la percepción emocional como en la aplicación práctica.

• Materias:Insuficiencia cardíaca Plataforma de servicios Filtro de orden óptimo Características clínicas Osteoporosis
• Subjects:Heart failure Platform services Optimal order filtering Clinical features Osteoporosis
• Palabras claves:valores propios de diferencia de amplitud, miedo, precisión de clasificación, potencia de onda, transformada wavelet, método de extracción de características del EEG, métodos generales de extracción de características, clasificador de máquina de vectores de soporte, método de análisis del EEG, información de características del EEG
• Keywords:amplitude difference eigenvalues, fear, classification accuracy, wave power, wavelet transform, EEG feature extraction method, general feature extraction methods, support vector machine classifier, EEG analysis method, EEG feature information