Resumen

El reconocimiento de emociones es un importante problema de reconocimiento de patrones que ha inspirado a los investigadores en varias áreas. Se han desarrollado varios datos de humanos para el reconocimiento de emociones, incluyendo datos visuales, de audio y señales fisiológicas. Este trabajo propone una estrategia de fusión de pesos a nivel de decisión para el reconocimiento de emociones en señales fisiológicas multicanal. En primer lugar, seleccionamos cuatro tipos de señales fisiológicas, incluyendo la electroencefalografía (EEG), el electrocardiograma (ECG), la amplitud de la respiración (RA) y la respuesta galvánica de la piel (GSR). Y se han utilizado varios dominios de análisis en la extracción de características fisiológicas de la emoción. En segundo lugar, adoptamos una estrategia de retroalimentación para la definición del peso, de acuerdo con la tasa de reconocimiento de cada emoción de cada señal fisiológica basada en el clasificador Support Vector Machine (SVM) de forma independiente. Por último, introducimos el peso en el nivel de decisión mediante la fusión lineal de la matriz de pesos con el resultado de la clasificación de cada clasificador SVM. Los experimentos con la base de datos MAHNOB-HCI muestran la mayor precisión. Los resultados también proporcionan pruebas y sugieren un camino para seguir desarrollando un sistema de reconocimiento de emociones más especializado basado en datos multicanal utilizando la estrategia de fusión de pesos.

• Materias:Biotecnología Minería de datos Algoritmos genéticos Cerebro - fisiopatología Neurofisiología
• Subjects:Biotechnology Data mining Genetic algorithms Brain - pathophysiology Neurophysiology
• Palabras claves:estrategia de fusión de pesos, reconocimiento de emociones, señal fisiológica, sistema de reconocimiento de emociones, respuesta galvánica de la piel, máquina de vectores de apoyo, varios dominios de análisis, señal fisiológica multicanal, problema de reconocimiento de patrones, datos de señales fisiológicas
• Keywords:weight fusion strategy, emotions recognition, physiological signal, emotions recognition system, galvanic skin response, support vector machine, various analysis domain, multichannel physiological signal, pattern recognition problem, physiological signal data