Resumen

El reconocimiento de emociones basado en señales de electroencefalograma (EEG) multicanal es un área de investigación clave en el campo de la computación afectiva. Los métodos tradicionales extraen características del EEG de cada canal basados en un extenso conocimiento del dominio e ignoran las características espaciales y la información de sincronización global en todos los canales. Este artículo propone un método de extracción de características globales que encapsula las señales de EEG multicanal en imágenes en escala de grises. Se midió primero el coeficiente de información máximo (MIC) para todos los canales. Posteriormente, se construyó una matriz MIC de acuerdo con las reglas de disposición de electrodos y se representó mediante una imagen en escala de grises de MIC. Finalmente, un modelo de aprendizaje profundo diseñado con dos capas convolucionales de análisis de componentes principales y una operación de transformación no lineal extrajo las características espaciales y las características de sincronización global entre canales de las imágenes de características construidas, las cuales luego se introdujeron en máquinas de vect

• Materias:Big Data Gestión de riesgos Administración de información Red neuronal Teoría de redes
• Subjects:Big Data Risk management Information management Neural network Network Theory
• Palabras claves:Reconocimiento de emociones; Señales de electroencefalograma multicanal; Extracción de características globales; Coeficiente de información máxima; Modelo de aprendizaje profundo; Características espaciales
• Keywords:Emotion recognition; Multichannel electroencephalogram signals; Global feature extraction; Maximal information coefficient; Deep learning model; Spatial characteristics