Resumen

En los ltimos aos, con el continuo desarrollo de la inteligencia artificial y la tecnologa de interfaz cerebro-ordenador, el reconocimiento de emociones basado en seales fisiolgicas, especialmente en seales de electroencefalograma (EEG), se ha convertido en un tema de investigacin popular y ha atrado una gran atencin. Sin embargo, cmo extraer caractersticas efectivas de las seales EEG y reconocerlas con precisin mediante clasificadores tambin se ha convertido en una tarea cada vez ms importante. Por ello, en este trabajo proponemos un mtodo de reconocimiento de emociones a partir de seales de EEG basado en el mtodo de aprendizaje por conjuntos AdaBoost. En primer lugar, consideramos el dominio del tiempo, el dominio de la frecuencia temporal y las caractersticas no lineales relacionadas con la emocin, las extraemos de las seales EEG preprocesadas y fusionamos las caractersticas en una matriz de vectores propios. A continuacin, se utiliza el mtodo de seleccin de caractersticas del anlisis discriminante lineal para reducir la dimensionalidad de las caractersticas. A continuacin, utilizamos los conjuntos de caractersticas optimizados y entrenamos un clasificador basado en el mtodo de aprendizaje ensemble, AdaBoost, para la clasificacin binaria. Por ltimo, el mtodo propuesto se ha probado en el conjunto de datos DEAP en cuatro dimensiones emocionales: valencia, excitacin, dominancia y agrado. El mtodo propuesto ha demostrado ser eficaz en el reconocimiento de emociones, y la mejor tasa de precisin media puede alcanzar hasta el 88,70% en la dimensin de dominancia. En comparacin con otros mtodos existentes, el rendimiento del mtodo propuesto mejora significativamente.

• Materias:Algoritmos (Matemáticas) Algebra Ingeniería Lógica matemática Matemáticas
• Subjects:Agorithms (Math) Algebra Engineering Mathematical logic mathematics
• Palabras claves:Desarrollo; Inteligencia artificial; Señales EEG; Reconocimiento de emociones; Aprendizaje por conjuntos; AdaBoost
• Keywords:Development; Artificial intelligence; EEG signals; Emotion recognition; Ensemble learning; AdaBoost