Clasificación de la emoción EEG interpretable a través del modelo CNN y el mapeo de la activación de la clase...

Área de la Ciencia:

• La neurociencia
• Ciencias de la computación
• La computación afectiva

Sus antecedentes:

• El reconocimiento de emociones basado en electroencefalografía (EEG) es crucial para las interfaces cerebro-computadora.
• Los métodos existentes luchan por equilibrar la alta precisión con la interpretabilidad fisiológica.

Objetivo del estudio:

• Para desarrollar un modelo sencillo pero preciso de la CNN para la clasificación de emociones EEG.
• Mejorar la interpretabilidad del modelo utilizando el mapeo de activación de clases ponderado por gradiente (Grad-CAM).
• Proporcionar una base fisiológica para optimizar la colocación de electrodos en sistemas de EEG portátiles.

Principales métodos:

• Se diseñó un modelo de red neuronal convolucional (CNN) para la clasificación de emociones basada en EEG.
• El conjunto de datos DEAP se utilizó para la capacitación y la validación.
• Se empleó Grad-CAM para visualizar las contribuciones de los electrodos a la clasificación.

Principales resultados:

• El modelo CNN logró altas precisiones de clasificación: 95.21% (excitación), 94.59% (valencia) y 93.01% (cuaternario).
• Grad-CAM identificó la corteza prefrontal derecha y el lóbulo parietal izquierdo como regiones de electrodos clave.
• Estos hallazgos se alinean con la teoría establecida de la lateralización emocional.

Conclusiones:

• El método propuesto ofrece una solución de alto rendimiento e interpretable para el reconocimiento de emociones EEG.
• Las regiones de electrodos identificadas proporcionan una base fisiológica para el diseño de sistemas de computación afectiva portátiles eficientes.