Video Experimental Relacionado
Updated: Jan 9, 2026
Author Spotlight: Addressing Technical and Subjective Challenges in Measuring Classroom Attention
Published on: December 15, 2023
El aprendizaje automático tradicional supera a EEGNet para el reconocimiento de emociones con EEG de grado de
Carlos Rodrigo Paredes Ocaranza1, Bensheng Yun1, Enrique Daniel Paredes Ocaranza1
1School of Artificial Intelligence and Information Engineering, Zhejiang University of Science and Technology, Hangzhou 310023, China.
El aprendizaje automático tradicional (ML) con ingeniería de características superó significativamente a los complejos modelos de aprendizaje profundo como EEGNet para el reconocimiento de emociones de grado de consumo. Este enfoque ofrece precisión, estabilidad y eficiencia superiores en aplicaciones de interfaz cerebro-computadora ruidosas y del mundo real.
Área de la Ciencia:
- Neurociencia; Ciencias de la Computación; Ingeniería Biomédica
Sus antecedentes:
- Los dispositivos EEG de grado de consumo ofrecen potencial para la implementación generalizada de interfaces cerebro-computadora (BCI).
- Los desafíos incluyen una resolución espacial reducida, calidad de señal variable en entornos no controlados y una exploración limitada de la eficacia y generalización del aprendizaje profundo.
Objetivo del estudio:
- Comparar sistemáticamente el aprendizaje automático tradicional (ML) con ingeniería de características específica del dominio frente a la arquitectura de aprendizaje profundo EEGNet para el reconocimiento de emociones utilizando EEG de grado de consumo.
- Determinar cuándo y por qué la ingeniería de características supera al aprendizaje de extremo a extremo en escenarios con recursos limitados.
Principales métodos:
- Evaluación dentro del conjunto de datos utilizando el conjunto de datos DREAMER y validación cruzada de conjuntos de datos (DREAMER → SEED-VII).
- El ML tradicional utilizó características estadísticas, de dominio de frecuencia y de conectividad con clasificación de bosque aleatorio.
- El aprendizaje profundo empleó arquitecturas EEGNet optimizadas; la validación cruzada de conjuntos de datos utilizó adaptación de dominio progresiva (mapeo anatómico, CORAL, TCA).
Principales resultados:
- El ML tradicional logró un rendimiento superior dentro del conjunto de datos (F1=0.945 frente a 0.567, p<0.000001) y un rendimiento entre conjuntos de datos (F1=0.619 frente a 0.007).
- Las características de conectividad intercanal contribuyeron con un poder discriminatorio del 61%.
- El ML tradicional mostró un entrenamiento un 95% más rápido y una inferencia 10 veces más rápida.
- El aprendizaje profundo se degradó más con el ruido (17% frente a <1%), mientras que el ML tradicional se mantuvo robusto.
Conclusiones:
- La complejidad arquitectónica no mejora universalmente el procesamiento de bioseñales para EEG de grado de consumo.
- La ingeniería de características específica del dominio y la adaptación ligera ofrecen precisión, estabilidad y implementación práctica superiores para el reconocimiento de emociones con EEG.
- Los hallazgos sugieren que los principios se extienden a otras arquitecturas complejas, lo que permite aplicaciones BCI robustas entre sistemas.
