Video Experimental Relacionado
Updated: Sep 9, 2025
Author Spotlight: Addressing Technical and Subjective Challenges in Measuring Classroom Attention
Published on: December 15, 2023
Enfoque mejorado por segmentación para la detección de emociones a partir de señales de EEG utilizando la C-media
Mahmood A Mahmood1, Khalaf Alsalem2, Murtada K Elbashir2
1Department of Information Systems, College of Computer and Information Sciences, Jouf University, Sakakah, Kingdom of Saudi Arabia. mamahmood@ju.edu.sa.
Este estudio demuestra que las señales de electroencefalograma (EEG) pueden identificar efectivamente las emociones utilizando una máquina vectorial de soporte híbrida (SVM) y un enfoque difuso de C-media. Un núcleo lineal logró la mayor precisión (97,66%) en la clasificación de emociones.
Área de la Ciencia:
- Inteligencia artificial
- La neurociencia
- Aprendizaje automático
Sus antecedentes:
- El reconocimiento de emociones a partir de señales de electroencefalograma (EEG) es crucial para las aplicaciones en el cuidado de la salud y la interacción humano-computadora.
- Los métodos existentes se enfrentan a desafíos para clasificar con precisión los estados emocionales matizados a partir de datos complejos de EEG.
Objetivo del estudio:
- Demostrar la eficacia de un enfoque híbrido que combine modelos de máquina vectorial de soporte (SVM) con diversas funciones de núcleo y medios C difusos para la identificación de emociones basadas en EEG.
- Evaluar el rendimiento de las diferentes funciones del núcleo SVM y el impacto de la integración de la lógica difusa en la precisión de la clasificación.
Principales métodos:
- Las señales de EEG de dos sujetos se registraron usando una cinta para la cabeza de Muse, categorizadas en emociones positivas, neutrales y negativas.
- Se utilizó un modelo híbrido que utiliza SVM diferenciados con núcleos lineales y gaussianos, junto con medios C difusos, para la clasificación.
- El rendimiento se evaluó utilizando puntuaciones de precisión, recuerdo y F1, con ANOVA unidireccional para la significación estadística.
Principales resultados:
- El núcleo lineal SVM logró la mayor precisión con un 97.66%, superando al núcleo gaussiano (95.78%).
- El análisis estadístico confirmó la superioridad significativa del núcleo lineal (p < 0,05).
- Los modelos híbridos de aprendizaje profundo (CNN-LSTM) mostraron resultados comparables pero menos precisos que el SVM lineal optimizado.
Conclusiones:
- El SVM híbrido con parámetros de núcleo optimizados y integración de lógica difusa es altamente efectivo para el reconocimiento de emociones basado en EEG.
- Este enfoque muestra un potencial significativo para el desarrollo de sistemas robustos de detección de emociones.
- El núcleo lineal SVM demuestra un rendimiento superior en esta tarea específica de clasificación de emociones.
