Machine Translated by Google

Computación neuronal y aplicaciones (2022) 34:12527–12557 https://doi.org/10.1007/

s00521­022­07292­4(0123456789().,­volV)(0123456789(). ,­ volV)

REVISAR

Reconocimiento de emociones humanas a partir de una interfaz cerebro­

computadora basada en EEG mediante aprendizaje automático: una revisión exhaustiva

Essam H. Houssein1 • Asmaa Hammad1 • Abdelmgeid A. Ali1

Recibido: 5 de noviembre de 2021 / Aceptado: 11 de abril de 2022 / Publicado en línea: 7 de mayo de 2022
El autor(es) 2022

Abstracto
La computación afectiva, una subcategoría de la inteligencia artificial, detecta, procesa, interpreta e imita las emociones humanas.
Gracias al avance continuo de las tecnologías de sensores humanos portátiles no invasivos, como las interfaces cerebro­computadora (BCI), el
reconocimiento de emociones ha despertado el interés de académicos de una variedad de dominios. Las expresiones faciales, el habla, el
comportamiento (gestos/postura) y las señales fisiológicas se pueden utilizar para identificar las emociones humanas. Sin embargo, los tres primeros
pueden resultar ineficaces porque las personas pueden ocultar sus verdaderas emociones consciente o inconscientemente (el llamado enmascaramiento social).
Las señales fisiológicas pueden proporcionar un reconocimiento de emociones más preciso y objetivo. Las señales de electroencefalograma (EEG)
responden en tiempo real y son más sensibles a cambios en los estados afectivos que las señales neurofisiológicas periféricas. Por tanto, las
señales EEG pueden revelar características importantes de los estados emocionales. Recientemente, se han desarrollado varias técnicas de
reconocimiento de emociones BCI basadas en EEG. Además, los rápidos avances en el aprendizaje automático y profundo han permitido que las
máquinas o computadoras comprendan, reconozcan y analicen las emociones. Este estudio revisa los métodos de reconocimiento de emociones
que se basan en BCI multicanal basados en señales de EEG y proporciona una descripción general de lo que se ha logrado en esta área. También
proporciona una descripción general de los conjuntos de datos y métodos utilizados para provocar estados emocionales. De acuerdo con la ruta
habitual de reconocimiento emocional, revisamos varias extracción de características de EEG, selección/reducción de características, métodos de
aprendizaje automático (por ejemplo, k­vecino más cercano), máquina de vectores de soporte, árbol de decisión, red neuronal artificial, bosque
aleatorio y Bayes ingenuo). y métodos de aprendizaje profundo (por ejemplo, redes neuronales convolucionales y recurrentes con memoria a largo
plazo). Además, se analizan los ritmos EEG que están fuertemente vinculados a las emociones, así como la relación entre distintas áreas del cerebro
y las emociones. También analizamos varios estudios de reconocimiento de emociones humanas, publicados entre 2015 y 2021, que utilizan datos
de EEG y comparan diferentes algoritmos de aprendizaje profundo y automático. Finalmente, esta revisión sugiere varios desafíos y direcciones
futuras de investigación en el reconocimiento y clasificación de estados emocionales humanos mediante EEG.

Palabras clave Interfaz cerebro­computadora (BCI) Computación afectiva (AC) Aprendizaje automático Aprendizaje profundo
Reconocimiento de emociones por electroencefalograma (EEG)

1. Introducción

1.1 Interfaz cerebro­computadora

Una interfaz cerebro­computadora (BCI) es un sistema de comunicación

basado en computadora que analiza las señales producidas por la
y Essam H. Houssein
actividad neuronal del sistema nervioso central. Es una tecnología de
essam.halim@mu.edu.eg
comunicación muy eficaz que no depende de vías neuromusculares o
Asmaa Hammad
musculares para lograr la comunicación, el comando y, por tanto, la
asmaa.hammad@mu.edu.eg
acción. Mientras piensa con intención, el sujeto genera señales
Abdelmgeid A. Ali
cerebrales que se convierten en comandos para un dispositivo de
a.ali@mu.edu.eg
salida. Como resultado, el cerebro dispone de un nuevo canal de salida
1
Facultad de Computación e Información, Universidad Minia, [1, 2]. El
Miniá, Egipto

123
Machine Translated by Google
12528
El objetivo básico de una BCI es detectar y evaluar las características de
las señales en el cerebro del usuario que indican la intención del usuario.
Estas características luego se transmiten a un dispositivo externo que se
ejecuta para cumplir la intención deseada del usuario [1]. Como se
muestra en la Fig. 1, para lograr este objetivo, un sistema basado en BCI
tiene cuatro componentes secuenciales: adquisición de señales,
preprocesamiento, traducción y retroalimentación o salida del dispositivo.
La adquisición de señales, el primer componente de BCI, es el
principal responsable de recibir y registrar las señales producidas por la
actividad neuronal, así como de enviar estos datos al componente de
preprocesamiento para mejorar la señal y reducir el ruido. Los métodos
de adquisición de señales cerebrales se pueden clasificar en invasivos y
no invasivos. En los métodos invasivos, los electrodos se colocan
neuroquirúrgicamente dentro o en la superficie del cerebro del usuario.
La actividad cerebral se registra mediante sensores externos con
tecnología no invasiva [3]. Después del preprocesamiento, los diferentes
caracteres importantes de la señal (como la característica de la señal
relacionada con la intención del usuario) se extraen de datos irrelevantes
y se presentan de una manera que permite traducirlos en instrucciones
de salida. Este componente crea características selectivas para la señal
mejorada, reduce el tamaño de los datos que se pueden enviar al
algoritmo de traducción y luego convierte los caracteres en las
instrucciones relevantes que el
El dispositivo externo necesita completar la tarea (por ejemplo,
instrucciones que completan la intención del usuario). El dispositivo de
salida es guiado y controlado por las instrucciones adquiridas por el
algoritmo de traducción. Ayuda a los usuarios a lograr sus objetivos,
como seleccionar alfabetos, controlar un mouse, operar una silla de
ruedas, mover un brazo robótico y mover una extremidad paralizada con
una neuroprótesis. Las computadoras son actualmente el dispositivo de
salida más utilizado para la comunicación [4].
La electroencefalografía (EEG) que utiliza electrodos insertados
externamente puede medir la actividad neuronal útil para una BCI y es
segura, económica, no invasiva, fácil de usar, portátil y mantiene una alta
resolución temporal [5]. Debido a que un usuario puede emplear EEG en
sistemas BCI en una variedad de campos sin la ayuda de un técnico u
operador, se ha vuelto popular entre los usuarios finales. Las BCI han
realizado contribuciones en una variedad de campos, incluidos la
educación, la medicina, la psicología y los asuntos militares [6]. Ellos son
Fig.1 Componentes BCI
123
Aplicaciones y computación neuronal (2022) 34:12527–12557
Se utiliza principalmente en el campo de la informática afectiva y como
forma de asistencia a personas paralizadas. Los sistemas de ortografía,
la neuroergonomía médica, el control de sillas de ruedas, la realidad
virtual, el control de robots, el monitoreo de la carga de trabajo mental,
los juegos, el monitoreo de la fatiga del conductor, la gestión ambiental,
los sistemas biométricos y la detección de emociones se encuentran
entre los éxitos más significativos de las BCI basadas en EEG . 7].
1.2 Reconocimiento de emociones
En los últimos años, debido a la creciente disponibilidad de diversos
dispositivos electrónicos, las personas pasan más tiempo en las redes
sociales, jugando videojuegos en línea, comprando en línea y utilizando
otros productos electrónicos. Sin embargo, la mayoría de los sistemas
modernos de interacción entre humanos y computadoras (HCI) son
incapaces de procesar y comprender datos emocionales y carecen de
inteligencia emocional. Son incapaces de reconocer las emociones
humanas y utilizar datos emocionales para tomar decisiones y actuar. En
los sistemas HCI inteligentes avanzados, resolver la ausencia de relación
entre humanos y robots es crucial. Cualquier sistema HCI que ignore los
estados emocionales humanos no podrá responder adecuadamente a
esas emociones. Para abordar esta dificultad en los sistemas HCI, las
máquinas deben poder comprender e interpretar los estados emocionales
humanos. Se requiere un sistema de reconocimiento de emociones
confiable, preciso, flexible y potente para realizar sistemas HCI inteligentes
[8].
Debido a que la HCI se estudia en varias disciplinas, incluidas la
informática, la ingeniería de factores humanos y la ciencia cognitiva, la
computadora que impulsa un sistema inteligente de HCI debe ser
adaptable. Para generar respuestas apropiadas, los patrones de
comunicación humana deben comprenderse con precisión. La capacidad
de una computadora para comprender las emociones y el comportamiento
humanos es un componente crítico de su adaptabilidad. Por lo tanto, es
fundamental reconocer los estados afectivos del usuario para maximizar
y mejorar el rendimiento de los sistemas HCI.
En un sistema HCI, la interacción entre la máquina y el operador se
puede mejorar para hacerla más inteligente y fácil de usar si la
computadora puede comprender con precisión el estado emocional del
operador humano en tiempo real. esta nueva
Machine Translated by Google
Aplicaciones y computación neuronal (2022) 34:12527–12557
El área de investigación se llama computación afectiva (AC). AC es un área
de inteligencia artificial que se centra en HCI mediante la detección del
afecto del usuario. Uno de los objetivos clave del dominio AC es crear
formas para que las máquinas interpreten las emociones humanas, lo que
puede mejorar su capacidad de comunicación [9].
El comportamiento, el habla, las expresiones faciales y las señales
fisiológicas pueden utilizarse para identificar las emociones humanas [10­12].
Los primeros tres enfoques son algo subjetivos. Por ejemplo, los sujetos
investigados pueden ocultar intencionadamente sus sentimientos genuinos,
lo que podría afectar su desempeño. La identificación de emociones
basada en señales fisiológicas es más fiable y objetiva [13].
Las BCI son tecnologías de sensores portátiles no invasivos que
capturan señales cerebrales y las utilizan como entradas para sistemas que
comprenden la correlación entre las emociones y los cambios de EEG para
humanizar las HCI [14]. El sistema nervioso central genera señales EEG,
que responden a los cambios emocionales más rápidamente que otras
señales neuronales periféricas. Además, se ha demostrado que las señales
EEG proporcionan características esenciales para el reconocimiento
emocional [15].
1.3 Perspectiva científica de la emoción
En las siguientes secciones, analizamos brevemente qué es la emoción, los
modelos de representación de emociones y los experimentos provocados o
evocados por emociones.
1.3.1 ¿Qué es la emoción?
La emoción es una condición complicada que expresa la conciencia humana
y se describe como una reacción al entorno.
estímulos [16]. Las emociones son, en general, reacciones ante ideas,
recuerdos o acontecimientos que ocurren en nuestro entorno. Es
fundamental para la toma de decisiones y la comunicación interpersonal
humana. Las personas toman decisiones dependiendo de sus estados
emocionales; por lo tanto, las malas emociones pueden provocar dificultades
no sólo psicológicas sino también físicas. Las emociones desfavorables
pueden contribuir a una mala salud, mientras que las emociones positivas
pueden conducir a niveles de vida más altos [17].
1.3.2 Modelos de emociones
Históricamente, los psicólogos han utilizado dos técnicas para caracterizar
las emociones: el modelo de emoción discreto (básico) [18] y el modelo
dimensional [19]. Los modelos dimensionales clasifican las emociones en
dimensiones o escalas, y los modelos de emociones discretas comprenden
múltiples emociones principales e incluyen dos categorías de emociones
(positivas y negativas).
Varios teóricos han realizado experimentos para identificar emociones
básicas y han ofrecido varios modelos categorizados. Darwin [20] propuso
una teoría de la emoción que luego fue interpretada por Tomkins [21].
Tomkins afirmó que
12529
Las emociones discretas comprenden nueve emociones básicas: interés­
excitación, sorpresa­sobresalto, disfrute­alegría, angustia­angustia, mal
humor, miedo­terror, ira­ira, desprecio­disgusto y vergüenza­humillación.
Se cree que estos nueve básicos.
Las emociones juegan un papel importante en una salud mental óptima.
El modelo de Ekman [22] se basa en otra teoría bien aceptada. Según
Ekman, las emociones básicas deben incluir las siguientes características:
(1) las emociones son instintivas; (2) varias personas desarrollan la misma
emoción en la misma situación; (3) varias personas expresan emociones
básicas de maneras comparables; (4) los patrones fisiológicos de diversas
personas son constantes cuando se producen emociones básicas. Ekman
y sus colegas determinaron que había seis emociones principales
universalmente reconocibles por la expresión facial: tristeza, sorpresa,
felicidad, disgusto, miedo e ira. A partir de estas seis emociones básicas
se pueden generar otras emociones compuestas (no básicas), como la
timidez, la culpa y el desprecio. Muchos teóricos y psicólogos han incluido
en sus conjuntos de emociones básicas emociones adicionales que no
estaban incluidas en las seis de Ekman. Algunos dividieron las emociones
en pequeños grupos [23­28], centrándose en sentimientos generales, como
el miedo o la ira (como emociones negativas) y la felicidad o el amor (como
emociones positivas). Otros se centraron en matices más sutiles y dividieron
las emociones en grupos más grandes. La Tabla 1 resume algunos de los
modelos de emociones más básicos.
Sin embargo, algunos teóricos e investigadores creen que el modelo
discreto tiene límites en términos de representar emociones específicas en
una gama más amplia de estados afectivos. En otras palabras, los estados
afectivos cotidianos son demasiado complicados para estar bien
representados por un pequeño número de categorías discretas.
Como resultado, se ha propuesto un nuevo método conocido como emoción
dimensional. En este modelo, la emoción se organiza de forma
multidimensional, y cada dimensión representa una característica
emocional. Cada emoción se puede representar como un punto en un
espacio multidimensional. En lugar de seleccionar etiquetas discretas, uno
podría expresar sus sentimientos en una variedad de escalas continuas o
de valores discretos, como atención­rechazo o agradable­desagradable.
Hasta la fecha, los investigadores han ofrecido numerosas técnicas
multidimensionales para modelar las emociones. A continuación se muestran
algunos ejemplos: (a) el modelo circumplejo 2D de Russell, que puede
incluir hasta 150 etiquetas afectivas utilizando dimensiones de excitación y
valencia [19]; (b) Espacio 2D continuo de Whissell, con evaluación y
activación como dimensiones [34]; y (c) el modelo de emoción tridimensional
de Schloberg, que añade una dimensión de atención­rechazo al modelo
bidimensional [35].
El modelo de emoción 2D de Russell se utiliza con mayor frecuencia.
Como se muestra en la Fig. 2, el eje vertical representa la dimensión de
excitación (que expresa la intensidad emocional de la experiencia, que va
desde baja hasta excitación), y el eje horizontal representa la dimensión de
valencia (que muestra
123
Machine Translated by Google

12530 Aplicaciones y computación neuronal (2022) 34:12527–12557

Tabla 1 Resumen de Referencia Emociones

modelos de emociones categorizadas

[21] Sorpresa, alegría, interés, rabia, asco, miedo, angustia, vergüenza.

[22] Miedo, tristeza, felicidad, ira, asco, sorpresa.
[23] Rabia y terror, ansiedad, alegría.
[24] Dolor, placer
[25] Miedo, amor, rabia
[26] Miedo, pena, amor, rabia.
[27] Expectativa, rabia, miedo, pánico.
[28] tristeza, felicidad
[29] Ira, coraje, aversión, abatimiento, desesperación, deseo, miedo, esperanza, odio, tristeza, amor.
[30] Felicidad, tristeza, miedo, ira, asco.
[31] Deseo, interés, felicidad, sorpresa, tristeza, asombro.
[32] Ira, asco, desprecio, angustia, culpa, miedo, interés, vergüenza, alegría, sorpresa.
[33] Ira, miedo, júbilo, disgusto.

provocando emociones. Primero, evocar emociones creando

escenarios simulados. La gente tiene la costumbre de generar
algunas emociones inolvidables en el pasado. También es factible
provocar emociones haciendo que los sujetos recuerden fragmentos
de sus experiencias pasadas que tienen distintos efectos emocionales.
colores. El problema de este enfoque es que no puede
asegúrese de que el sujeto genere la emoción correspondiente,
y el tiempo de la emoción asociada es inconmensurable.
En segundo lugar, provocar emociones mostrando vídeos, música,
fotografías y otros materiales estimulantes. Esto es un

Fig. 2 El modelo de emoción 2D enfoque frecuente para provocar emociones, logrando que los participantes
generen estados emocionales y los etiqueten

el grado de alegría o alegría, que va de negativo a objetivamente. Finalmente, el sujeto debe jugar a un ordenador o

positivo). Hay cuatro categorías de emociones en el videojuego. Los juegos de ordenador no son sólo físicamente

sistema de coordenadas excitación­valencia. Las emociones negativas beneficiosos pero también son psicológicamente beneficiosos.

están representados en el lado izquierdo de la coordenada y el Los sujetos simplemente escuchan y observan los sonidos del entorno

Las emociones positivas se muestran a la derecha. El eje de valencia mientras usan cortometrajes o clips. Temas en computadora

representa emociones tanto positivas como negativas, y el Los juegos, por otro lado, no se limitan a observar o mirar el

El eje de excitación varía de emociones inactivas a activas. La figura 2 estímulos; De hecho, experimentan con la escena de primera mano.

muestra la primera área, que comprende alta excitación.
emociones de valencia positiva (HAPV) que van desde
contento a emocionado. El área 2 comprende alta excitación negativa.
Adoptan el modelo a seguir de los personajes del juego, y esto
tiene un efecto similar sobre las emociones de los individuos.
Los recursos más comunes para la provocación de emociones son

valencia (HANV) emociones que varían de nervioso a el Sistema Internacional de Sonido Afectivo Digitalizado (IADS)

irritante. El área 3 comprende valencia negativa de baja excitación. [36] y el Sistema Internacional de Imagen Afectiva (IAPS)

(LANV) emociones. La última área abarca la baja excitación. [37]. Estos conjuntos de datos contienen estímulos emocionales

Emociones de valencia positiva (LAPV) (calma para relajarse). Como estandarizados. Como resultado, es valioso en estudios experimentales. IAPS

Como se muestra en la Fig. 2, las dos primeras zonas reflejan una alta excitación.
emociones (activas), mientras que las dos últimas zonas indican bajas
excitación (inactiva) de emociones.
1.3.3 Modelos de provocación de emociones
está compuesto por 1200 fotografías divididas en 20 grupos de
60 imágenes. A cada fotografía se le asigna una valencia y
valor de excitación. La edición más reciente de IADS incluye 167
sonidos naturales grabados digitalmente que son comunes en
vida cotidiana y se clasifican por valencia, dominancia,
y excitación. Uso del sistema de maniquí de autoevaluación

La capacidad de inducir/provocar la respuesta del sujeto experimental. [38], los participantes etiquetaron el conjunto de datos. Los autores de [39]

estado emocional de ciertas maneras apropiadas, es decir, emocional afirman que las emociones evocadas por estímulos visuales o auditivos son

excitación, es un paso crucial en la detección de emociones sobre la base comparable. Por otra parte, los resultados del etiquetado afectivo de los

de señales fisiológicas. Hay tres métodos principales para multimedia pueden no ser generalizables a

123
Machine Translated by Google

Aplicaciones y computación neuronal (2022) 34:12527–12557 12531

situaciones cotidianas o situaciones más interactivas. Como resultado, son
bienvenidas más investigaciones que involucren estímulos emocionales
interactivos para garantizar la generalización de los resultados del BCI. Hasta
donde sabemos, solo unos pocos estudios han empleado situaciones más
interactivas para producir emociones, como individuos jugando o usando
simuladores de vuelo.
1.4 Motivaciones y principales aportes
y evaluación del desempeño para problemas de reconocimiento de emociones.
La Sección 4 describe bases de datos públicas de datos de EEG para
información emocional y presenta información general sobre enfoques de
aprendizaje profundo y automático. La sección 5 presenta estudios
relacionados que analizan técnicas de aprendizaje automático y profundo
para reconocer estados emocionales humanos utilizando BCI basado en EEG.
Los desafíos y las direcciones de investigación futuras se cubrirán en la
Sección. 6. Finalmente, la sección. 7 concluye la revisión de la investigación.

La motivación de esta revisión es permitir a los investigadores utilizar métodos

de aprendizaje automático para aumentar la tasa de reconocimiento rápido y 2 Descripción general de las señales de emoción y EEG
preciso de los estados emocionales humanos a partir de BCI basada en EEG.
El objetivo de esta revisión es identificar diferentes estudios en la literatura Esta sección ofrece una descripción general del EEG y la emoción. La
que utilizan enfoques de aprendizaje automático y profundo para clasificar los estructura y funciones del cerebro se describen en la sección. 2.1.

estados emocionales humanos mediante EEG. Así, las principales La corteza cerebral normalmente se divide en cuatro áreas, cada una de las
contribuciones de este estudio son buscar respuestas a las siguientes cuales realiza una función distinta. Se ha demostrado en los estudios que la
preguntas: corteza prefrontal (CPF) es la más estrechamente relacionada con las
emociones. La sección 2.2 describe en detalle
– ¿Qué son las emociones, los modelos de emociones y los experimentos de
Electroencefalograma, su origen, sus bandas de frecuencia y sus
provocación de emociones?
características. La sección 2.3 proporciona información general sobre la
– ¿Cuál es el papel de la interfaz cerebro­computadora en el reconocimiento
asociación entre los cambios emocionales y las señales de EEG, y las áreas
de emociones?
del cerebro más asociadas con las emociones, con el objetivo de utilizar
– ¿Cuál es la relación entre los datos del EEG y las emociones?
menos electrodos para lograr un buen rendimiento en la clasificación de las
estados en humanos?
emociones.
– ¿Cuáles son los diferentes métodos de extracción de características?
– ¿Cuáles son las diferentes funciones de selección y reducción?
2.1 Estructura y funciones del cerebro.
¿métodos?

– ¿Qué técnicas de aprendizaje automático y profundo se utilizan actualmente

El cerebelo, el cerebro y el tronco del encéfalo son los tres componentes
para clasificar los estados emocionales humanos mediante BCI basado
principales del cerebro humano. La corteza cerebral, el núcleo cerebral y el
en EEG?
sistema límbico forman el cerebro.
– ¿Qué medidas de evaluación se utilizan para valorar la
Las funciones cognitivas y emocionales de nivel superior están controladas
¿Eficacia de los modelos de clasificación?
principalmente por la corteza cerebral. Se encuentra en la capa más externa
– ¿Cuál es el trabajo reciente en el campo de las emociones humanas?
del cerebro humano, con un espesor de alrededor de 1 a 4 mm, y está
¿Reconocimiento utilizando datos de EEG?
compuesto principalmente de materia gris, con materia blanca debajo [40]. El
– ¿Cuáles son los problemas que deben resolverse y las direcciones de
cerebro está dividido en hemisferios izquierdo y derecho por un surco central
investigación que deben seguirse en el futuro en el reconocimiento de los
en el medio. Como se muestra en la Fig. 3 [6], el Lóbulo Frontal, el Lóbulo
estados emocionales humanos utilizando datos de EEG?
Occipital,

1.5 Organización del papel

La estructura de este trabajo es la siguiente: Apartado. 1 describe los

antecedentes sobre la interfaz cerebro­computadora, el reconocimiento de
emociones y las áreas de aplicación de sus técnicas, y diferentes modelos
de provocación emocional. La sección 2 presenta la
El papel de cada área del cerebro en la formación de emociones, describe las
bandas de frecuencia del EEG y las características del EEG, e investiga la
relación entre las emociones y los datos del EEG. La sección 3 describe la
estructura de los estudios basados en EEG.

Modelos BCI de reconocimiento de emociones humanas y proporciona una

descripción general de la adquisición de señales EEG, preprocesamiento,
extracción de características, reducción y selección de características, clasificación,Fig.3 Estructura fisiológica de la corteza cerebral.

123
Machine Translated by Google
12532
El lóbulo parietal y el lóbulo temporal son las cuatro áreas de la corteza
cerebral. Las funciones de estas cuatro áreas se des­
tinte. El lóbulo frontal se coloca antes del surco central del cerebro. Está
a cargo de las actividades cognitivas superiores. El lóbulo prefrontal, el
área de movimiento frontal y el área de movimiento primario forman parte
de él. Se encargan principalmente de la planificación, el pensamiento y
las funciones fisiológicas asociadas a las emociones y necesidades de
una persona. Detrás del surco central y justo delante de la fisura occipital
se encuentra el lóbulo parietal. Es un centro sensorial del más alto nivel.
Es principalmente responsable de la integración de la información
somatosensorial, así como de la reacción a la información espacial como
el dolor, la presión, la temperatura, el gusto y el tacto. Esta área también
está vinculada al pensamiento lógico y matemático. Debajo de la fisura
lateral se encuentra el lóbulo temporal, con el lóbulo frontal al frente, el
lóbulo occipital detrás y el lóbulo parietal arriba. Se encarga principalmente
de procesar la información auditiva y olfativa, y está asociado con las
emociones y la memoria (actividades mentales). Finalmente, el lóbulo
occipital está situado detrás del surco occipital, en la parte posterior del
hemisferio, y se encarga principalmente de procesar la información
relacionada con la visión. También tiene que ver con la memoria de una
persona, la percepción del comportamiento y las concepciones abstractas.
2.2 señales EEG
2.2.1 Historia del EEG
El cerebro funciona transfiriendo señales eléctricas entre neuronas. Un
método para estudiar la actividad eléctrica del cerebro es registrar el
potencial del cuero cabelludo causado por la actividad cerebral. La señal
que se registra, es decir, las variaciones de potencial entre dos
ubicaciones, se denomina electroencefalograma (EEG). El EEG es uno
de los métodos más eficaces para controlar la actividad cerebral, a
menudo conocida como ondas cerebrales. Hans Berger registró el primer
EEG humano en 1929 y publicó el primer artículo sobre EEG humano
[41]. Como especialista en este campo, fue él quien ideó el término
"ectroencefalograma". Las primeras investigaciones de Richard Caton
sobre la actividad cerebral animal en el siglo XIX fueron la base de su
trabajo. Los electrofisiólogos y neurofisiólogos verificaron gradualmente
sus resultados, lo que permitió que la investigación del EEG en medicina
clínica y ciencias del cerebro avanzara rápidamente.
Los cambios en las emociones se pueden comprender estudiando las
señales del EEG. Los cambios funcionales y fisiológicos del sistema
nervioso central (SNC) pueden reflejarse en potenciales neuronales. El
EEG no representa sólo la actividad eléctrica de una única neurona, sino
más bien la actividad eléctrica de un grupo de neuronas en la zona del
cerebro donde se coloca el electrodo de medición del EEG. Como
resultado, la señal EEG incluye una gran cantidad de información
psicofisiológica útil y significativa. En medicina, la clasificación, el
procesamiento y el análisis de las señales EEG pueden proporcionar una
123
Aplicaciones y computación neuronal (2022) 34:12527–12557
base objetiva para detectar algunas enfermedades. En neuroingeniería,
las personas discapacitadas pueden utilizar señales EEG producidas por
imágenes en movimiento o por la mente para controlar sillas de ruedas o
extremidades robóticas. Este es un tema popular en este momento que
se conoce como interfaz cerebro­computadora (BCI). El análisis y
procesamiento de señales EEG siempre resulta problemático en la
investigación del cerebro debido a la no estacionariedad de los datos EEG
y a las numerosas influencias ambientales.
2.2.2 Conceptos básicos del EEG
Las señales de EEG se clasifican en cinco categorías según la variación
en las bandas de frecuencia: delta (0,5 a 4 Hz), theta (4 a 8 Hz), alfa (8 a
13 Hz), beta (13 a 30 Hz) y gamma ( [30 Hz), como se muestra en la Fig.
4 [6].
Las ondas delta suelen aparecer en la corteza frontal con una amplitud
de 20 a 200 lV. Suelen detectarse en un estado inconsciente de falta de
oxígeno, sueño profundo sin sueños o estando anestesiados. La ola
desaparecería en un adulto que esté despierto y alerta. Las ondas theta
suelen aparecer en los lóbulos parietales y temporales con una amplitud
de 100 a 150 lV.
Se asocian con el estado de relajación y la carga de la memoria de
trabajo. Las ondas theta en la línea media frontal aumentarán cuando se
evoquen emociones positivas. Las ondas alfa ocurren principalmente en
el lóbulo occipital y el lóbulo parietal con una amplitud de 20 a 100 lV. Se
pueden detectar en estado de reposo con los ojos cerrados. Los estímulos
externos, como los visuales o auditivos, o cuando los individuos realizan
una actividad mental, pueden provocar la desaparición de las ondas alfa.
Tienen más energía oscilatoria que las ondas beta y gamma tanto en
emociones positivas como negativas.
Las ondas beta normalmente sólo se observan en el lóbulo frontal; sin
embargo, cuando uno está contemplando, la onda beta emerge en una
variedad de lugares. La amplitud es de 5 a 20 lV. Ocurren cuando la
mente de una persona está muy activa y concentrada. La corteza cerebral
está dominada por ondas alfa mientras el cuerpo humano está relajado,
y el ritmo beta se desvanece gradualmente a medida que aumenta la
actividad emocional. Cuando el SNC está bajo tensión/estrés/distensión,
la amplitud de la onda Alfa
Fig. 4 Las formas de onda de cinco bandas de EEG.
Machine Translated by Google
Aplicaciones y computación neuronal (2022) 34:12527–12557
disminuye mientras que la frecuencia Beta aumenta, y la onda Alfa se convierte
progresivamente en una onda Beta. Cuando la corteza cerebral parece estar
en estado beta, normalmente significa que está excitada. Las ondas gamma
se encuentran con
diferentes redes corticales sensoriales y no sensoriales. La amplitud suele ser
inferior a 2 lV. Están asociados con tareas y funciones cognitivas cerebrales
de alto nivel como la recepción, procesamiento, integración, transmisión y
retroalimentación de información en el tronco encefálico, así como con
actividades que exigen mucha atención (concentración).
Se observan con frecuencia durante el procesamiento sensorial multimodal [5,
6, 8, 13].
2.2.3 Características de la señal EEG
La señal EEG es una representación directa de la actividad cerebral y es útil
en el estudio de los fenómenos fisiológicos del cerebro humano. Las siguientes
son sus características principales [6, 8]
1. Las grabaciones de EEG suelen ser ruidosas y sensibles a las interferencias
del entorno. Generalmente se mezclan con otras señales (incluidos EOG,
ECG y EMG), interferencias, artefactos y ruidos.
2. Las señales EEG se pueden clasificar en espontáneas o evocadas. Durante
el proceso de adquisición de señales, varias señales fisiológicas
periféricas inevitablemente afectarán el EEG espontáneo o los potenciales
evocados. Las señales de EEG son muy no lineales debido a la
adaptación de los tejidos humanos o a la regulación fisiológica.
3. El cambio de señal del EEG es inestable, susceptible a variables ambientales
externas y tiene una fuerte propiedad de no estacionaridad. Para
descubrir y reconocer características de las señales de EEG, varios
estudios emplean enfoques de análisis estadístico.
4. Aunque las señales de EEG tienen un rango de frecuencia de 0,5 a 100 Hz,
el rango de baja frecuencia de 0,5 a 30 Hz es el más relevante para la
cognición. Los investigadores suelen descomponerlo en cinco subbandas
de frecuencia, cada una de las cuales corresponde a una función cognitiva
distinta.
Las dos formas de ondas EEG se clasifican comúnmente en espontáneas y
evocadas. El sistema nervioso produce una fluctuación rítmica del potencial
sin ningún estímulo externo, lo que se conoce como EEG espontáneo. Los
potenciales evocados son cambios potenciales mensurables en la corteza
cerebral como resultado de la excitación/estimulación externa del ser humano.
órganos sensoriales.
2.3 Señales EEG en el reconocimiento de emociones
Necesitamos comprender las fuentes de las emociones en nuestros cuerpos
para poder enseñarle a la computadora a comprenderlas y reconocerlas. Las
emociones se pueden expresar verbalmente, como a través de palabras
conocidas, o de forma no verbal, como
12533
a través del tono de voz, la expresión facial y los cambios fisiológicos de
nuestro sistema nervioso. Debido a que las expresiones faciales y la voz
pueden ser falsificadas o no pueden considerarse como resultado de una
determinada emoción, no son predictores confiables de emoción. Como el
usuario no tiene control sobre las señales fisiológicas, estas son más precisas.
Las fuentes fundamentales de emoción en nuestro cuerpo son los cambios
fisiológicos.
Los cambios fisiológicos se pueden dividir en dos categorías: los que afectan
al Sistema Nervioso Central (SNC) y los que afectan al Sistema Nervioso
Periférico (SNP). La médula espinal y el cerebro forman el SNC. El cerebro es
el centro de control de todo lo que hay en nuestro cuerpo y los cambios en la
actividad eléctrica se traducen en diversas acciones y emociones. El
electroencefalograma (EEG) es una prueba que mide los cambios eléctricos
en el cerebro. El EEG se describe como una actividad eléctrica de tipo alterno
registrada desde la superficie del cuero cabelludo utilizando electrodos
metálicos y un medio conductor [42].
EEG contiene una gran cantidad de información útil sobre el
los numerosos estados fisiológicos del cerebro. Responde con mayor rapidez
y sensibilidad a los cambios en los estados afectivos y, por tanto, es una
herramienta particularmente valiosa para comprender los estados emocionales
humanos. La región de baja frecuencia evoca EEG emocional más plenamente
que la banda de alta frecuencia, y las emociones negativas están más
extendidas e intensas que las positivas [6]. En presencia de emociones alegres,
tristes y aterradoras, la potencia promedio de las ondas Beta, Alfa y Theta en
la línea media del cerebro será dramática.
calicamente diferente, lo que indica que el espectro de potencia de la línea
media del EEG es una de las características más útiles de la clasificación de
las emociones [43].
Según investigaciones fisiológicas, las funciones cognitivas emocionales
superiores del ser humano están controladas principalmente por la corteza
cerebral. A través de la detección de emociones basada en EEG, sería
beneficioso encontrar las regiones del cerebro que están estrechamente
relacionadas con las emociones [44]. Los electrodos se clasifican primero
según su ubicación en la corteza cerebral. Se extraen las características EEG
de cada grupo de electrodos y luego se realiza la clasificación de las emociones.
El algoritmo de selección de características clasifica todos los electrodos según
su grado de importancia, y luego la importancia de los electrodos se ilustra
utilizando un mapa topográfico del cerebro, lo que permite un reconocimiento
más fácil de las regiones del cerebro donde se distribuyen los electrodos con
un rango más alto. .
Según ciertos investigadores que estudian la conectividad cerebral funcional
basándose en EEG, existe una correlación entre los estados emocionales y
áreas específicas del cerebro.
Según Ekman y Davidson [45], las porciones frontales izquierdas del cerebro
se activan con el disfrute. Los autores en [46] integraron la red de conexión
funcional con activación local para representar la actividad de partes locales
del cerebro que reaccionan a las emociones y reflejan
123
Machine Translated by Google
12534
las interacciones entre áreas críticas del cerebro. Otro estudio descubrió que
cuando los individuos adoptaban emociones de miedo, su actividad frontal
izquierda disminuía [47]. Las emociones placenteras se asocian con un
aumento del poder de la banda theta en la línea media frontal, mientras que
las emociones desagradables se asocian con lo contrario [48]. Estos estudios
revelan una correlación entre los cambios en las emociones y las características
de las señales EEG correspondientes, lo que es más útil para investigar la
clasificación de las emociones de las señales EEG. Esto también proporciona
una base neurofisiológica para detectar emociones a partir de datos de EEG.
3 Metodología de reconocimiento de emociones
BCI basada en EEG
La arquitectura de un sistema BCI basado en EEG para el reconocimiento de
emociones se muestra en la Fig. 5. La adquisición de señales EEG, el
preprocesamiento, la extracción de características, la selección de
características, la clasificación de emociones y la evaluación del desempeño
son procesos distintos que se discutirán en las siguientes secciones. .
3.1 Adquisición de señales EEG
Actualmente, el EEG es universalmente aceptado como método estándar para
medir la actividad eléctrica del cerebro. Los equipos EEG modernos incluyen
un conjunto de electrodos, una unidad de almacenamiento de datos, un
amplificador y una unidad de visualización. Se encuentran disponibles métodos
de adquisición de señales de EEG invasivos y no invasivos. En el método
invasivo, la relación señal­ruido y la intensidad de la señal son altas. Los
electrodos deben implantarse quirúrgicamente en la cavidad del cráneo y los
electrodos penetran en la corteza cerebral, lo que dificulta su operación. En el
método de adquisición no invasivo, los electrodos se colocan en el cuero
cabelludo del sujeto. Este enfoque es sencillo de utilizar y es el método de
adquisición más común en la investigación contemporánea de BCI. Las
señales de EEG se pueden adquirir de manera eficiente utilizando auriculares
y cascos de EEG portátiles de bajo costo que colocan electrodos no invasivos
en todo el cuero cabelludo. Actualmente se encuentran disponibles en el
mercado varios dispositivos BCI de bajo coste basados en EEG [49].
Los objetivos de la investigación difieren; por lo tanto, en los experimentos
de EEG que se centran en el reconocimiento de emociones, las señales de
EEG recopiladas difieren al igual que el número y la ubicación de los electrodos.
Fig. 5 Arquitectura de un sistema BCI basado en EEG para reconocimiento de emociones
123
Aplicaciones y computación neuronal (2022) 34:12527–12557
El sistema internacional de colocación de electrodos 10­20 se utiliza en la
mayoría de los experimentos de emoción EEG. El número de electrodos varía
de seis a 62. Según la Fig. 6 [8], se encontró que los electrodos de EEG que
están vinculados a las emociones eran
Distribuidos principalmente en el lóbulo frontal (rojo), el lóbulo parietal (verde),
el lóbulo occipital (azul), el lóbulo temporal (amarillo) y en la zona central
(cuadrados). Las regiones frontal polar, frontal anterior, frontal, central frontal,
temporal, parietal y occipital del cerebro se abrevian FP, AF, F, FC, T, P y O,
respectivamente. El hemisferio izquierdo se indica con un sufijo de número
impar y el hemisferio derecho se indica con un sufijo de número par. Estas
áreas coinciden exactamente con la base fisiológica de la creación de
emociones. La dimensión de la característica extraída se puede reducir
significativamente ajustando la distribución de los electrodos. La complejidad
de los cálculos se puede reducir, haciendo que el experimento sea más
sencillo y fácil de realizar.
3.2 Preprocesamiento de señales EEG
El preprocesamiento de señales EEG se ocupa de la limpieza y mejora de la
señal. Las señales de EEG son inherentemente débiles y pueden verse
fácilmente infectadas por ruido de fuentes tanto internas como externas. El
ruido podría ser generado por electrodos o por el propio cuerpo humano. El
término "artefactos" se refiere a estos ruidos. Los electrodos EEG pueden
captar señales eléctricas fisiológicas no deseadas, como el electromiograma
(EMG) del parpadeo de los ojos y los músculos del cuello, mientras registran
una señal EEG. Cuando el sujeto se mueve, también existen preocupaciones
con respecto a los artefactos de movimiento causados por el movimiento del
cable y el desplazamiento de los electrodos. Como resultado, la fase de
preprocesamiento es crucial para reducir estos artefactos en los datos brutos
del EEG, que podrían influir en la clasificación posterior. Se debe evaluar
cuidadosamente si estos artefactos deben eliminarse, ya que pueden contener
información esencial sobre los estados emocionales y pueden mejorar el
rendimiento de los sistemas de detección de emociones.
Para reducir los artefactos en las señales de EEG recopiladas, se pueden
utilizar filtros de dominio de frecuencia para reducir el ancho de banda del
EEG que se va a estudiar. Los filtros de alta frecuencia, los filtros de baja
frecuencia (también llamados filtros de paso alto y de paso bajo por los
ingenieros eléctricos), los filtros Butterworth y los filtros de muesca son algunos
de los filtros más utilizados.
Las frecuencias entre 1 y 50–60 Hz se filtran utilizando
Machine Translated by Google
Aplicaciones y computación neuronal (2022) 34:12527–12557
Fig. 6 Electrodos para registro de EEG en diferentes lóbulos
Filtros de alta y baja frecuencia. Un filtro Butterworth tiene una zona de
transición amplia y una reacción plana en la banda de parada y de paso.
Los filtros de muesca se emplean para evitar que se transmita una
frecuencia específica en lugar de un rango de frecuencias. Se utiliza un
filtro de muesca para eliminar la frecuencia de las redes eléctricas, que
normalmente varía entre 50 y 60 Hz según la frecuencia de la señal
eléctrica estándar en el país en particular [13]. Cuando se utilizan filtros,
se deben utilizar con cuidado para evitar distorsiones de la señal.
Los métodos comunes para preprocesar datos de EEG que se han empleado
en varios estudios incluyen análisis de componentes independientes (ICA) [50],
análisis de componentes principales (PCA) [51], referencia promedio común (CAR)
[52] y patrones espaciales comunes (CSP). [53]. Cuando se emplean grabaciones
multicanal, las herramientas PCA e ICA utilizan un análisis de fuente ciego para
eliminar el ruido de las señales fuente, lo que permite utilizarlas para eliminar
artefactos y reducir el ruido. El método CSP identifica filtros espaciales que pueden
usarse para identificar señales que se correlacionan con movimientos musculares.
Para reducir el ruido, el CAR es ideal.
Los datos de EEG de estados emocionales y basales (no emocionales) se
incluyen en los datos de EEG preprocesados para la detección de emociones.
Además, las señales fisiológicas revelan una heterogeneidad significativa entre los
individuos (es decir, variación de una persona a otra). En distintos momentos y/o en
diversos entornos, se pueden evocar diferentes emociones, incluso cuando el sujeto
y el material del estímulo son los mismos. Como resultado, entre los métodos de
preprocesamiento, para reducir el impacto del material de estímulo previo en el
estado emocional siguiente, así como el impacto de las variaciones individuales en
las señales fisiológicas, las características del EEG de referencia (antes de
cualquier tipo de estimulación emocional) se eliminaron de las características del
EEG después
12535
la estimulación emocional. Luego, las características restantes se escalan
a un intervalo de [0, 1] [8]. Las variaciones individuales en las respuestas
emocionales subjetivas ante un estímulo similar son una dificultad
importante en la investigación del reconocimiento de emociones. En
consecuencia, la mayoría de los estudios tienen un número limitado de
clases de emociones. Muchos estudios de reconocimiento de emociones
DEAP [54] se centran en problemas de clasificación binaria (excitación
alta versus baja o positiva versus negativa) [55­59], y las etiquetas
emocionales objetivo generalmente se determinan utilizando un umbral
estricto simple de la datos de calificación subjetiva de los sujetos.
3.2.1 Análisis de componentes independientes
El análisis de componentes independientes (ICA) es un método estadístico para
encontrar proyecciones lineales de datos observables que maximicen la
independencia mutua [60]. Cuando se utiliza para la separación ciega de fuentes
(BSS), ICA busca recuperar fuentes independientes a partir de mezclas de esas
fuentes mediante observaciones multicanal. En el procesamiento de señales EEG,
ICA separa las señales en actividades de fuentes neuronales independientes que
se originan en varias áreas del cerebro y actividades de fuentes independientes no
neuronales (componentes artefactos) relacionadas con movimientos oculares,
parpadeos, ruido cardíaco, muscular y lineal, que pueden ser fácilmente comprendido
en función de sus características espacio­temporales [50].
La siguiente es una descripción del problema de ICA.
Supongamos un modelo de mezcla lineal, señales EEG de m canales, X ¼ ½x1;
x2; :::xm de n fuentes independientes s ¼ ½s1;s2...sn.
El vector de señales observadas X se puede expresar como:
X ¼ Como ð1Þ
donde A es una matriz de mezcla con el tamaño de m n.
Las actividades de los componentes independientes (señales fuente recuperadas),
V, se obtuvieron aplicando una matriz de desmezcla W (es decir, una inversa de la
matriz A) a X [60]:
V¼WXX¼W1V _ _ ð2Þ
donde cada columna de W1 comprende pesos de electrodos (es decir, una
proyección espacial) de un componente independiente y cada fila de W es un filtro
espacial para estimar un componente independiente.
Hay tres pasos involucrados en la eliminación de artefactos basados en ICA:
(a) aplicar ICA a los datos de EEG, (b) identificar y eliminar componentes
independientes relacionados con artefactos y (c) proyectar componentes
independientes relacionados con EEG nuevamente en electrodos para reconstruir
el artefacto. ­datos de EEG corregidos. En general, el conocimiento previo de las
características espacio­temporales de los artefactos del EEG se puede utilizar para
identificar componentes independientes de los artefactos.
Muchos estudios han demostrado la superioridad de la ICA para eliminar los
artefactos del EEG. El ICA fue utilizado por Wang et al. [50] para corregir las señales
EEG registradas durante un movimiento.
123
Machine Translated by Google

12536 Aplicaciones y computación neuronal (2022) 34:12527–12557

tarea de planificación que implica mucho músculo y sí Tabla 2 Métodos de extracción de características utilizados en los estudios cubiertos en este
revisión (2015­2021)
movimientos. Después de eliminar los componentes del artefacto que vienen
de actividades musculares y oculares, señales EEG que codifican Referencias Extracción de características

Las direcciones de movimiento se pueden utilizar para anticipar la dirección.

[63] PESO, SF
de un movimiento previsto. En un estudio de seguimiento de la somnolencia
[56] SF, HP, FFT, Ella, SE, KE.
[61], la eliminación de artefactos basada en ICA se empleó como
[57, 64–66] DWT, SF
forma rutinaria de corregir los datos EEG registrados en una conducción
[67] STFT, PSD, DE, DASM, ASM, RASM, DCAU
proceso, que comprendía múltiples movimientos del cuerpo y la cabeza.
[58] MSST
Después de reducir los artefactos EMG/EOG de los BCI basados en imágenes
[68] SF, DE
motoras, el rendimiento del sistema (p. ej., clasificación
[59] FFT, HOS, biespectral
precisión) mejoró [62].
[55] SF, HP, FD

3.3 Extracción de características de EEG [69] características teóricas de grafos

[70] San Francisco, PSD

,
Después del preprocesamiento y la reducción de ruido, lo siguiente [71] Complejidad de Lempel­Ziv, WT, EMD, AE

La etapa es extraer características. Después de que las señales hayan sido [72] FFT, PSD, SF

limpia de ruido, la BCI debe extraer características críticas que [73] HOS

será enviado al clasificador. El objetivo principal de la característica [74] EMD,SF

Extracción en el proceso de reconocimiento de emociones mediante EEG. [75] PESO, NOSOTROS, AE, SE, FE

datos es obtener información que pueda reflejar efectivamente una [76] TQWT, SF

estado emocional del individuo. Posteriormente, dicha información podrá [77] PSD, SF, DWT

utilizarse en algoritmos de clasificación de emociones. El [78, 79] Delaware

La precisión de la identificación de las emociones está determinada principalmente por [80] VMD, PSD, SF

las características extraídas. Por lo tanto, extraer EEG esencial [81] DWT, ToC
características de los estados emocionales es fundamental. [82] DT­CWT, SF, PSD, FD, DE

A menudo se realizan análisis de características de EEG convencionales. [83] DWT, DE, FD, HP, PSD
en los dominios de tiempo, frecuencia y tiempo­frecuencia. [84] DME

Debido a las propiedades no lineales de los datos EEG, los datos no lineales [85] Alemania, PSD

El análisis dinámico de las señales EEG se puede emplear para [86] DDE

estudio más profundo. Esta sección cubrirá cuatro EEG

Métodos de análisis de características utilizados para reconocer emociones: tiempo,
dominios de frecuencia y tiempo­frecuencia, así como análisis de características
no lineales.
La Tabla 2 muestra los métodos de extracción de características utilizados en el
estudios cubiertos en esta revisión. La figura 7 presenta el uso.
porcentaje de los dominios de características que han sido
empleados en muchos de los artículos de investigación de esta revisión.
Las características más utilizadas son aquellas en el dominio de tiempo­
frecuencia (35%). Las características del dominio de frecuencia son
en segundo lugar (27%) y las características del dominio del tiempo en tercer lugar (20%).
Además, también se utilizan datos sin procesar (sin funciones).
Características estadísticas (SF), transformada Wavelet (WT), parámetros de Hjorth
(HP), transformada rápida de Fourier (FFT), transformada Wavelet discreta
(DWT), entropía de Shannon (ShE); Entropía espectral (SE), Kolmogorov
Entropía (KE), transformada de Fourier de corto tiempo (STFT), potencia espectral
Densidad (PSD), Asimetría Diferencial (DASM), Diferencial
Entropía (DE), Asimetría Racional (RASM), Caudalidad Diferencial
(DCAU), Asimetría (ASM), Sincroexpresión multivariada
Transformada (MSST), espectral de orden superior (HOS), dimensión fractal
(FD), descomposición en modo empírico (EMD), entropía aproximada
(AE), energía Wavelet (WE), entropía de muestra (SE), entropía difusa
(FE), descomposición en modo variacional (VMD), ondícula Q sintonizable
Transformada (TQWT), acumulante de tercer orden (ToC), transformada wavelet
compleja de árbol dual (DT­CWT), entropía diferencial dinámica
(DDE)

(11%). Los datos sin procesar se utilizan como entrada para el aprendizaje profundo.
algoritmos. El uso de datos sin procesar produce resultados aceptables,
presumiblemente porque la información se retiene y el riesgo de
datos en el dominio del tiempo. Hay muchas técnicas en el
omitiendo características de señal importantes asociadas con la emoción
Dominio del tiempo para el análisis del EEG, como potencial relacionado con
está eliminado. También se utilizaron características no lineales (7%).
eventos (ERP), método de análisis de histograma, Hjorth.
características/parámetros: actividad, movilidad y complejidad
[87], cruce de orden superior (HOC) [88, 89], principal
3.3.1 Análisis en el dominio del tiempo
análisis de componentes (PCA) [90], componente independiente
análisis (ICA) y las dimensiones fractales (FD) de Higuchi como
Durante mucho tiempo, los análisis en el dominio del tiempo se han aplicado en
Medición de autosimilitud y complejidad de las señales en este dominio [91].
la investigación de la actividad cerebral. La mayoría de los EEG
Estas técnicas se basan en
Los equipos de adquisición disponibles actualmente en el mercado recogen EEG.

123
Machine Translated by Google
Aplicaciones y computación neuronal (2022) 34:12527–12557
Fig. 7 Gráfico circular de los dominios de las características utilizadas en los estudios
discutidos en esta revisión.
extraer características basadas en el tiempo. Además, existen características
estadísticas como media, potencia, máximo, mínimo, mediana, desviación
estándar, asimetría, varianza, energía relativa de la banda, curtosis , etc.
Las características geométricas de las señales de EEG son el punto de
partida para el análisis en el dominio del tiempo, y el analizador de EEG
puede analizarlas estadísticamente con precisión e intuición.
Las características de este dominio comprenden datos de EEG con una
pérdida mínima de información. Sin embargo, debido a la complicada forma
de onda de los datos de EEG, no existe un método común para analizar las
características en el dominio del tiempo de las señales de EEG.
Por lo tanto, los analistas de EEG deben tener una amplia experiencia y
conocimientos.
3.3.2 Análisis en el dominio de la frecuencia
Se ha demostrado que las funciones en el dominio de la frecuencia tienen
más éxito para la identificación automática de emociones mediante EEG
que las funciones en el dominio del tiempo. Los métodos de análisis en el
dominio de la frecuencia convierten señales de EEG en el dominio del
tiempo en señales en el dominio de la frecuencia para evaluar y extraer
características del dominio de la frecuencia. La señal de EEG generalmente
se divide en varias subbandas y se recuperan para su análisis
características como la densidad espectral de potencia (PSD), el espectro
de energía logarítmica, el espectro de orden superior (HOS) y la entropía
diferencial (DE). El método más común para realizar análisis de frecuencia
es aplicar la transformada rápida de Fourier (FFT) directamente a un
segmento corto de EEG [93, 94].
3.3.2.1 Entropía diferencial La entropía diferencial (DE) es el espectro de
energía logaritmo en una banda de frecuencia particular para una secuencia
de EEG de longitud fija [95]. Al igual que la entropía para evaluar la
complejidad de variables aleatorias continuas, DE se puede representar
como:
fðyÞlogðfðyÞÞdy
DE¼Z
y proporciona información de frecuencia perfecta. Debido a que las señales
f(y) es la función de densidad de probabilidad de y, donde y es una variable
aleatoria. Los experimentos revelan que después del filtrado de paso de
banda, una serie de bandas de subfrecuencia de señales de EEG
12537
obedecer aproximadamente la distribución de Gauss Nðl; r2Þ, y su entropía
diferencial se puede calcular como:
1 registro
2
1 ðylÞ2
2
ffiffiffiffiffiffiffiffiffiffiffi
mi 2ri ðylÞ2
ffiffiffiffiffiffiffiffiffiffiffi
mi 2ri dy
DE¼Z1 _ 2p2pri
_ 2p2pri
_
1 ð4Þ
¼
2
1 logð2peri 2 Þ
3.3.3 Análisis en el dominio tiempo­frecuencia
Los métodos anteriores utilizan las características del EEG en el dominio del
tiempo o de la frecuencia, respectivamente, como criterio de detección.
Estos métodos se basan en el supuesto de que las señales de EEG son
lineales y casi estacionarias, es decir, se supone que el contenido de
frecuencia de las señales de EEG es constante durante la ventana de
análisis. Sin embargo, investigaciones recientes han revelado que las
señales de EEG tienen características no estacionarias. El análisis en el
dominio del tiempo de una señal, utilizando técnicas basadas en
características como amplitud, duración, varianza y autocorrelación, no es
adecuado para analizar una señal no estacionaria como la señal EEG de un
adulto.
El análisis de una señal no estacionaria requiere información sobre la
distribución de energía en diferentes frecuencias y las variaciones de
frecuencia a lo largo del tiempo. Esta información no la proporcionan ni las
técnicas de análisis en el dominio del tiempo ni el análisis en el dominio de
la frecuencia. La representación en el dominio de la frecuencia tiene la
desventaja de que toda la información temporal se pierde durante la
formación del espectro. Debido a estas limitaciones, se han desarrollado
herramientas alternativas para representar las señales conocidas como
dominio tiempo­frecuencia.
La técnica de análisis en el dominio de tiempo­frecuencia combina
información de los dominios de tiempo y frecuencia y permite un análisis
localizado en el dominio de tiempo­frecuencia. Como resultado, las
características en el dominio del tiempo­frecuencia son muy adecuadas
para capturar señales no estacionarias y variables en el tiempo, que
pueden usarse para caracterizar diversos estados emocionales. lo mas
Un enfoque ampliamente utilizado en el análisis tiempo­frecuencia es la
transformada Wavelet [96]. La transformada de Fourier de corto tiempo
(STFT) [6], la transformada de Hilbert Huang (HHT) [97] y la transformada
de paquetes wavelet (WPT) [98] también son enfoques esenciales de análisis
en el dominio del tiempo­frecuencia.
3.3.3.1 Transformada wavelet La transformada wavelet (WT) es un método
de procesamiento de señales para tratar señales no lineales y no
estacionarias. Una característica importante de WT es que en frecuencias
altas proporciona información de tiempo perfecta y en frecuencias más bajas
ð3Þ
en las aplicaciones de detección de emociones normalmente comprenden
datos de baja frecuencia con una duración prolongada y datos de alta
frecuencia con una duración corta, esta característica es significativa. Otro
beneficio
123
Machine Translated by Google
12538
de la transformada wavelet es que permite una transformación más flexible
Representación tiempo­frecuencia de una señal mediante el uso de ventanas de
análisis de variados tamaños, lo que permite un análisis selectivo durante la
extracción de características para reconocer diferentes emociones y aumenta el
sistema de clasificación de desempeño. El análisis multiescala de la señal EEG
mediante WT permite que la señal EEG proporcione detalles y aproximaciones en
varias escalas de ondas. La descomposición de ondas de la señal EEG produce un
conjunto de coeficientes de ondas en varias escalas. Estos coeficientes se pueden
utilizar como conjunto de características de una señal para su clasificación porque
pueden caracterizar completamente las características de la señal. La función
wavelet wðtÞ está definida
como sigue:
1 tuberculosis
wðtÞ ¼ wap ffiffiffi
a
donde a y b se representan como factor de escala y cambio de tiempo,
respectivamente. Hay dos tipos de transformada wavelet: transformada
wavelet continua (CWT) y transformada wavelet discreta (DWT) [99]. A
continuación se explica cómo se define el CWT:
1 1
xðtÞ w dt
ffiffiffiffiffi
CWTða; bÞ ¼ Z
1 jaj p
donde x(t) es una señal que debe procesarse. El análisis wavelet será mucho más
eficiente si los parámetros de escalas y desplazamientos se convierten en potencias
de dos, conocidas como escalas y posiciones diádicas. El DWT, que se describe a
continuación, proporciona dicho análisis:
1 1
xðtÞ Þdt 2j
ffiffiffiffiffiffi
DWTðj; kÞ ¼ Z j2j jp
1 con precisión la varianza en términos del error de la suma al cuadrado. Se puede
donde 2j y 2j k se sustituyen por a y b, respectivamente.
3.3.4 Análisis de características no lineales
Las señales de EEG son muy complejas y tienen propiedades no lineales y no
periódicas que pueden estudiarse mediante análisis dinámico no lineal. En los últimos
años, existen muchos métodos de análisis no lineal que se han vuelto populares en
el análisis de datos de EEG [100­102]. Entre los métodos dinámicos no lineales se
encuentran la entropía de permutación [103], la entropía aproximada [104], la
entropía de descomposición de valores singulares, la entropía del espectro de
potencia [105] y la entropía de muestra [106].
3.4 Selección y reducción de funciones de EEG
En el reconocimiento de emociones basado en EEG, el proceso de selección y
reducción de características es crucial. En un sistema BCI, los vectores de
características suelen ser de alta dimensionalidad [107]. Como resultado, con
frecuencia se utilizan técnicas de selección de características y/o reducción de
características para minimizar el número de características.
123
Aplicaciones y computación neuronal (2022) 34:12527–12557
Estas técnicas simplifican la complejidad del problema; sólo las características que
contienen información significativa se pasan a un clasificador. Seleccionar una
técnica adecuada de selección y reducción de características puede aumentar tanto
la eficiencia del entrenamiento del modelo como la precisión de la predicción.
La selección de funciones es una técnica para eliminar de manera eficiente una
gran cantidad de funciones innecesarias (o redundantes) basándose en criterios de
utilidad particulares para obtener los mejores resultados con la menor cantidad de
procesamiento de datos.
Los enfoques de selección de características también reducen la posibilidad de
sobreajuste si el conjunto de datos incluye muchas características pero no hay
suficientes observaciones. Al extraer información crucial de un conjunto de datos,
la reducción de características/dimensionalidad busca transformar datos de alta
dimensión en una representación comprensible de dimensiones inferiores [108].
ð5Þ Idealmente, las representaciones reducidas deberían contener la menor cantidad de
parámetros necesarios para tener en cuenta las propiedades observadas de los
datos [109]. La importancia de la reducción de características surge de su capacidad
para aliviar la maldición de la dimensionalidad que afecta a los conjuntos de datos
de alta dimensión. En general, la selección y reducción de características son
necesarias para ayudar en la visualización y comprensión de los datos, minimizar el
tiempo de entrenamiento del modelo y evitar la maldición de la dimensionalidad, todo
tuberculosis
lo cual mejora el rendimiento (o la generalización) de la predicción del modelo.
ð6Þ
a
Los métodos comunes para la reducción de características/dimensionalidad del
EEG son el análisis de componentes principales (PCA) [110, 111], el análisis
discriminante lineal (LDA) [112] y el análisis de componentes independientes (ICA)
[112]. PCA intenta representar datos d­dimensionales en un espacio menos
dimensional. Esto limitará la gama de posibilidades así como las complejidades del
t 2j k wð
tiempo y el espacio. Aquí, el objetivo es representar datos en un espacio que refleje
ð7Þ
encontrar información adicional en la literatura [112]. ICA convierte una señal
multivariada y aleatoria en una señal con componentes mutuamente independientes.
A partir de señales mixtas, este enfoque se puede utilizar para extraer componentes
independientes. Aquí, independencia significa que la información proporcionada por
un componente no puede derivarse de los demás. Los detalles se dan en [112,
113]. El objetivo de LDA es producir una nueva variable que incorpore los predictores
originales. Esto se realiza maximizando las diferencias en la nueva variable entre
los grupos predefinidos. La idea es integrar las puntuaciones de predicción en una
única variable compuesta nueva conocida como puntuación discriminante. Los
detalles se dan en [112].
Se puede utilizar una estrategia de búsqueda y un criterio de
evaluación para categorizar los métodos de selección de características
[114]. Se podrían utilizar dos técnicas distintas, filtro y envoltura, para
evaluar un subconjunto de características que se han seleccionado. Los
métodos de filtrado [115, 116] seleccionan características antes de
entregarlas al algoritmo de clasificación. En otras palabras, técnicas de filtrado.
Machine Translated by Google
Aplicaciones y computación neuronal (2022) 34:12527–12557
elegir un subconjunto de características basándose en la comprensión previa de
el problema de clasificación o estadística adquirida a partir de la
datos, y lo hacen independientemente del diseño del clasificador.
Generalmente, los métodos de filtrado son rápidos debido a que
seleccionar las características más relevantes de los datos de entrenamiento y
luego descarte ciertas características según un umbral específico.
Debido a que son menos costosos computacionalmente, estos
Los enfoques son ideales para conjuntos de datos extremadamente grandes. Envoltura
Los algoritmos [117, 118] ejecutan la selección de características en el
contexto de (y en conjunto con) la clasificación
algoritmo. El clasificador se utiliza en la selección de características.
proceso como una subrutina en estos enfoques para evaluar la
conjunto de funciones que se ha seleccionado. Estas técnicas representan un
tipo de algoritmo de optimización que emplea la
resultados de clasificación como función objetivo. Envoltura
Los métodos son computacionalmente intensivos, lo que restringe
su aplicación a enormes conjuntos de datos, donde su objetivo es
mejorar la precisión. Además de estos dos métodos, el
El método incorporado se utiliza internamente en los algoritmos clasificadores.
como el aprendizaje profundo. Los métodos envolventes requieren más cálculos
que el método integrado.
La Tabla 3 muestra la selección y reducción de características.
métodos utilizados en los estudios discutidos en esta revisión. La figura 8 presenta
el porcentaje de uso de la selección de funciones.
y métodos de reducción que se han utilizado en los distintos
estudios revisados en este trabajo. El 56% de estos estudios no
Utilice un método de selección o reducción de características. Incorporado
Los métodos que operan internamente en algoritmos de clasificación como el
aprendizaje profundo se utilizan con frecuencia (37%), seguidos de métodos de
reducción (p. ej., PCA e ICA), filtrado
métodos (p. ej., mRMR) (25 % de cada uno) y envoltorio
métodos (p. ej., PSO) (13%). Más detalles sobre el filtro
Tabla 3 Métodos de selección y reducción de características utilizados en los estudios.
cubierto en esta revisión (2015­2021)
Referencias Selección/reducción de características
[63] PCA
[55, 67] mRMR
[58] ICA
[68] codificador automático
[59] BSS
[70] Prueba t de Welch con PCA
[72] LRFS
[73] CSS
[81] PSO
Análisis de Componentes Principales (PCA), Máxima Relevancia de Redundancia
Mínima (mRMR), Análisis de Componentes Independientes (ICA),
Selección secuencial hacia atrás (BSS), característica localmente robusta
Selección (LRFS), Selección de subconjunto basada en correlación (CSS), Partícula
Optimización de enjambre (PSO)
12539
Fig. 8 Gráfico circular de selección y reducción de funciones comunes de EEG
métodos utilizados en los estudios discutidos en esta revisión
y los métodos de selección de características de contenedor se proporcionan en la
siguientes apartados.
3.4.1 Métodos de filtrado
Los métodos de filtrado utilizan diferentes técnicas de clasificación, seleccionadas
debido a su simplicidad y éxito en diferentes aplicaciones,
para ordenar las características. Los métodos de clasificación puntúan cada característica
en función de su relevancia y utilizar un umbral para eliminar características.
temperaturas por debajo del umbral. Porque se usan antes.
clasificación para filtrar las variables menos importantes,
Los métodos de clasificación son métodos de filtrado. Varias medidas
y en varias publicaciones se han presentado definiciones de la relevancia de una
variable [119, 120]. Uno de estos
definiciones es que ''Si una característica es condicionalmente independiente
de las etiquetas de las clases, se considera irrelevante''. El
La relevancia de las características se medirá mediante diferentes técnicas, como
el coeficiente de correlación de Pearson del
técnica de información mutua (MI) [121]. Algunos investigadores han aplicado
métodos de filtrado para encontrar los más relevantes.
características para discriminar diferentes emociones [105]. El
La mayoría de los algoritmos de filtrado son univariados, es decir.
consideran cada característica de entrada individualmente, de modo que cada
Una característica puede ser autoevaluada e independiente de las demás.
Esto puede llevar a dos problemas: características descartadas porque
no son individualmente relevantes pueden volverse relevantes cuando
combinado con otros y características que se consideran
individualmente según sea relevante puede resultar en despidos innecesarios. El
método de filtrado más utilizado es el wavelet.
transformar
3.4.1.1 Redundancia mínima relevancia máxima Mínima
La relevancia máxima de redundancia (mRMR) es un método basado en filtros.
algoritmo de selección de características que ha demostrado ser
computacionalmente rápido [122]. El objetivo principal de mRMR es
encontrar un subconjunto de características en el espacio de características del dado
muestras que tienen una redundancia mínima con otras características
pero máxima relevancia para la clase objetivo. El RMMR
El algoritmo mide la relevancia de las características para el objetivo.
clases u otras características en el espacio de características usando mutuas
123
Machine Translated by Google

12540 Aplicaciones y computación neuronal (2022) 34:12527–12557

información. Se basa en dos principios: máxima relevancia y mínima Las técnicas de optimización inspiradas en la inteligencia han ganado
redundancia. La relevancia máxima se define de la siguiente manera: popularidad durante la década anterior. Enjambres de bandadas de pájaros,
insectos sociales y bancos de peces son modelos para ellos. La ventaja de
1 estos enfoques en comparación con las técnicas tradicionales es su
D¼ Iðxi; cÞ
X ð8Þ flexibilidad y solidez. Debido a estas cualidades, la inteligencia de enjambre
jSj
xiS es un modelo de diseño exitoso para algoritmos que abordan problemas

donde S representa conjunto de características e Iðxi; cÞ para información más complicados.

mutua entre la característica i y la clase objetivo c. La redundancia mínima

entre funciones se calcula de la siguiente manera: Recientemente se han presentado nuevos algoritmos evolutivos que
han demostrado un buen rendimiento en muchas aplicaciones cuando se
trata del desafío de seleccionar funciones. En [127], se utilizó Ant Lion
1
R¼ Optimizer (ALO) como modelo contenedor de selección de características
2X _ Iðxi; xjÞ ð9Þ
jSj xi;xjS para abordar este problema. El optimizador de lobo gris (GWO) se utilizó
eficazmente para resolver problemas de selección de características en
donde Iðxi; xjÞ representa información mutua entre las características i y j.
[128]. En [129], los autores utilizaron la optimización de enjambre de
partículas (PSO) en el reconocimiento de emociones basado en expresiones
Podemos obtener el criterio de selección de características para el
faciales para la selección de características.
método mRMR combinando las Ecs. 8 y 9:
Además, en [130], los autores utilizaron el algoritmo de evolución diferencial
maxðD RÞ ð10Þ (DE) como un algoritmo de selección de características basado en envoltura
para la clasificación de señales EEG de imágenes motoras.

3.4.2 Métodos de envoltura

3.5 Clasificación de emociones EEG

Los algoritmos de selección secuencial y los algoritmos de búsqueda

La recopilación de datos de EEG, el preprocesamiento, la extracción de
heurística son dos tipos de métodos contenedores. El algoritmo de selección
características, la selección o reducción de características y la clasificación
secuencial [123, 124] comienza con un conjunto en blanco y agrega
de emociones son todos pasos en el proceso de construcción de un
características hasta lograr el máximo rendimiento de la función/
modelo de reconocimiento de emociones. Uno de los aspectos más
clasificación objetivo. Para agilizar el proceso de selección se elige un
cruciales del desarrollo de un sistema de clasificación de emociones
criterio que vaya mejorando la función objetivo hasta conseguir el máximo
exitoso es encontrar el mejor clasificador que sea capaz de clasificar con
rendimiento con el menor número de características posibles. Los
precisión varias emociones. El clasificador desarrollado tiene una
algoritmos de búsqueda heurística evalúan varios subconjuntos para
influencia importante en la precisión del reconocimiento de emociones
mejorar la función objetivo. En la selección de características, buscar un
[131]. Un clasificador se basa en una función matemática que predice la
subconjunto óptimo es fundamental. A pesar de que un enfoque de
clase verdadera de una observación desconocida en un conjunto de
búsqueda heurística no garantiza que se encontrará el subconjunto óptimo,
datos de validación. Se han empleado diversos métodos de clasificación
generalmente descubre una respuesta satisfactoria en un período de
en el dominio de la informática afectiva para clasificar los datos del EEG
tiempo razonable [125]. Los dos tipos de métodos heurísticos son las
afectivo. Estos clasificadores van desde clasificadores convencionales
heurísticas específicas producidas para abordar un problema específico,
(algoritmos tradicionales de aprendizaje automático), como máquinas de
mientras que las metaheurísticas de propósito general desarrolladas para
vectores de soporte y árboles de decisión, y análisis discriminante lineal,
manejar una variedad de problemas [125]. Las metaheurísticas han
hasta clasificadores avanzados (algoritmos de aprendizaje profundo),
demostrado su eficiencia y eficacia en el manejo de desafíos difíciles y de
como redes neuronales recurrentes y memoria a corto plazo.
gran escala en el diseño de ingeniería, la programación de la minería de
datos y el aprendizaje automático durante las últimas dos décadas.

3.6 Evaluación del desempeño

La mayoría de los algoritmos inspirados en la naturaleza son

Los hallazgos sobre el reconocimiento de emociones deben presentarse
metaheurísticos [126]. Las tres principales fuentes de inspiración son las
de manera coherente para que varios grupos de estudio puedan
basadas en la evolución (p. ej., sistemas inmunológicos artificiales y
comprenderlos y compararlos. Como resultado, es fundamental seleccionar
algoritmos evolutivos), basadas en enjambres (p. ej., optimización de
y especificar cuidadosamente las técnicas de evaluación [132]. Una matriz
enjambres de partículas, colonias de hormigas y colonias de abejas) y
de confusión y precisión son las medidas de evaluación del desempeño
basadas en la física (p. ej., recocido simulado) [ 125]. La exploración del
más recomendadas para evaluar el desempeño del clasificador de
espacio de búsqueda y la explotación de las soluciones óptimas
emociones. Con base en la matriz de confusión, cinco medidas de
descubiertas son dos criterios paradójicos que todas estas técnicas tienen
desempeño de clasificación, es decir, especificidad, recuerdo (sensibilidad),
en común [125]. Enjambre
precisión, medida F y

123
Machine Translated by Google
Aplicaciones y computación neuronal (2022) 34:12527–12557
Generalmente se calcula el área bajo la curva (AUC). En
En general, estas medidas se calculan en base a cuatro principales
métricas de un resultado de clasificación binaria (positivo/negativo), verdadero
positivo (TP) y verdadero negativo (TN) que
indican estados emocionales correctamente identificados y falsos.
positivo (FP) y falso negativo (FN), que indican falso
identificación de estados emocionales. Estas actuaciones
Las medidas se definen de la siguiente manera.
Precisión (Acc): esta métrica mide cuántos casos
están correctamente clasificados. Si las clases están equilibradas, es decir,
si cada clase tiene la misma cantidad de muestras, funciona bien.
Se calcula mediante la ecuación. 11
ðTP þ TNÞ
Acc ¼ 100
ðTP þ FN þ TN þ FPÞ
Sensibilidad (Sens): También se llama tasa positiva verdadera o
recordar. Evalúa con qué frecuencia un clasificador clasifica adecuadamente
un buen resultado. Está definido por la ecuación. 12
TP
Sens ¼ 100
ðTP þ FNÞ
Especificidad (Spec): También se conoce como tasa negativa verdadera. Él
Calcula el porcentaje de veces que un clasificador funciona correctamente.
clasifica un resultado negativo. Como resultado, el Falso
La tasa positiva (FPR) equivale a 1 especificidad. La especificación se puede calcular
mediante la ecuación. 13
Tennesse
100
Especificación ¼ ðTN þ FPÞ
Precisión (Prec): Esta métrica representa el porcentaje de
clasificaciones correctas. Puede denotarse por la ecuación. 14
TP
Prec ¼ 100
ðTP þ FPÞ
Medida F (F): Representa la media armónica de Precisión y Sensibilidad. Es
importante porque cuanto mayor sea el
precisión, menor será la sensibilidad y viceversa. Es
mensurable por la ecuación. 15
ðPrec SensÞ
F¼2
ðPrec þ SensÞ
AUC: La curva característica del operador del receptor (ROC) es una
curva de probabilidad que grafica la Sens contra la FPR en
varios valores umbral. La curva ROC representa el desempeño de un clasificador
en diferentes grados de significancia. El
El área bajo la curva ROC (AUC) resume la ROC
curva que indica qué tan bien un clasificador puede discriminar
entre verdadero positivo y verdadero negativo.
12541
4 Conceptos básicos y antecedentes
4.1 Conjuntos de datos de reconocimiento de emociones EEG
Esta sección proporciona un resumen de los conjuntos de datos públicos de EEG
para el reconocimiento emocional que se utilizaron en los distintos
investigaciones en esta revisión. El cuadro 4 muestra que siete públicos
Se utilizaron conjuntos de datos de EEG para el reconocimiento emocional,
incluyendo DEAP, etiquetado MAHNOB­HCI, DREAMER,
Conjuntos de datos SEED, AMIGOS, SAFE y GAMOMA. Estos
Los conjuntos de datos son útiles para el estudio y se han utilizado en un
número de estudios de reconocimiento de emociones. La figura 9 muestra la
porcentaje de conjuntos de datos de EEG utilizados en el reconocimiento de emociones
ð11Þ según los estudios de esta revisión. PROFUNDO y SEMILLA
son los más empleados (51% y 19% de participación, respectivamente). Otros
estudios (17 %) empleados
sus propios conjuntos de datos, a los que a menudo no se puede acceder abiertamente.
DREAMER es un conjunto de datos disponible públicamente que apareció con un
participación del 7% en esta revisión. El MAHNOB­HCI,
ð12Þ GAMOMA y AMIGOS aparecieron en nuestra muestra de investigación,
cada uno con una tasa de participación del 2%.
4.2 Descripción general del aprendizaje automático
El problema del reconocimiento de emociones se puede representar como
un problema de clasificación o regresión. La distinción es
ð13Þ basado principalmente en el modelo emocional utilizado para representar
emociones, que se discutió en la Sección. 1.3.2. Las emociones son
representados como entidades distintas con etiquetas en categorías
representaciones. Los modelos dimensionales, a diferencia de las representaciones
discretas, intentan describir emociones utilizando valores continuos de sus
ð14Þ
características definitorias, que son
comúnmente representado en ejes.
La mayoría de las técnicas anteriores, como se muestra en la Sección.
5.1, trate el reconocimiento de emociones como un problema de clasificación,
intentar distinguir entre categorías de emociones, o
entre diferentes áreas del modelo de emoción 2D de Russell. En
En general, la literatura contribuye mucho más a la emoción.
ð15Þ clasificación que a la regresión de la dimensión emocional. Como resultado, en
esta sección nos concentraremos en
Técnicas de clasificación de aprendizaje automático.
En los sistemas que reconocen emociones se utilizaron algoritmos de
aprendizaje automático para clasificar diferentes emociones.
estados de BCI basado en EEG. Utilizando la base de datos Scopus como
fuente de información, la Figura 10a muestra estadísticas para
Investigación sobre aprendizaje automático y reconocimiento y clasificación de
emociones EEG de 2012 a 2021. La Figura 10b muestra
La distribución del aprendizaje automático en la emoción EEG.
área de investigación de reconocimiento.
Como producto de inteligencia artificial, el aprendizaje automático
ha jugado un papel importante en la distinción entre
123
Machine Translated by Google

12542 Aplicaciones y computación neuronal (2022) 34:12527–12557

Tabla 4 Lista de conjuntos de datos de EEG disponibles públicamente utilizados para el reconocimiento emocional

Conjunto de datos
Participantes canales EEG Elicitación de emociones Estados de emoción

DEAP [54] 32 32 Videos musicales Valencia, excitación, dominancia y

gusto
MAHNOB­HCI 27 32 Fragmentos de vídeos Excitación y valencia calificadas con

etiquetado [133] e imágenes el maniquí de autoevaluación para

provoca varias emociones (ansiedad,

neutral, tristeza, diversión,

asco, alegría, sorpresa, ira

y miedo)

SEMILLA [44, 134] 15 62 clips de película Positivo, negativo y neutral.

SOÑADOR [135] 23 14 Clips de Excitación, valencia y dominancia.

AMIGOS [136] 40 14 películas vídeos cortos y largos. Excitación, valencia, dominio, agrado,

familiaridad y emociones básicas.

SEGURO [137] 6 5 Sonidos seleccionados de Agradable, feliz, asustado y enojado.

IADS.

JUEGOEMO [64] 28 14 Juegos de computadora Aburrido, tranquilo, terror y divertido.

tarea y luego aplicarlos a la tarea objetivo. Además,

La tecnología de minería de datos de aprendizaje automático puede almacenar datos en

un sistema de gestión de datos y analizarlo utilizando una máquina

Fig. 9 Gráfico circular de los conjuntos de datos de EEG utilizados para el reconocimiento de emociones.
en los estudios discutidos en esta revisión
distintos patrones de actividad cerebral; por lo tanto, se ha convertido en un
parte importante del análisis de datos de BCI. Aprendizaje automático
Puede aprender conocimientos y reglas importantes de la fuente.
algoritmos de aprendizaje, lo que resulta en la extracción de información
potencialmente importante. El algoritmo de aprendizaje automático elegido
puede tener un gran impacto en el resultado final.
resultados de clasificación o predicción [138].
Hay dos categorías de modelos de aprendizaje automático:
Aprendizaje supervisado y no supervisado. Máquina supervisada
El aprendizaje es una técnica para determinar el clasificador.
parámetros utilizando datos de entrenamiento. Después de ver la salida
valor, la tarea de aprendizaje es establecer el valor de sus parámetros
para cualquier valor de entrada válido. Un conjunto de datos de prueba que contiene datos que
no se ha contribuido al modelo mientras se alimenta el aprendizaje

Fig. 10 Los métodos de aprendizaje automático para estudios de reconocimiento de emociones EEG realizados en la última década [2012­2021] basados en el scopus
base de datos

123
Machine Translated by Google
Aplicaciones y computación neuronal (2022) 34:12527–12557
en el clasificador para validar el rendimiento de un algoritmo aprendido. El
aprendizaje no supervisado, por otro lado, es una técnica de aprendizaje
automático que determina parámetros en función de datos de entrada y
una función de costos que debe reducirse. En los últimos años se han
implementado varios modelos de ML para la gestión de la clasificación de
señales EEG para el reconocimiento de emociones humanas. Entre estos
métodos se encuentran las máquinas de vectores de soporte (SVM), Naı¨ve
Bayes (NB), k­vecino más cercano (K­NN), árboles de decisión (DT),
bosque aleatorio (RF) y redes neuronales artificiales (ANN), que son
ampliamente utilizado como método de clasificación; los describiremos
brevemente en las siguientes secciones.
4.2.1 Máquina de vectores de soporte
La máquina de vectores de soporte (SVM) es una técnica de ML
supervisada capaz de resolver problemas de clasificación y regresión lineal
y no lineal. Vladimir Vapnik fue quien lo introdujo [139]. SVM se ha
empleado en una variedad de aplicaciones, incluida la detección y el
reconocimiento de rostros [140­142], el diagnóstico de enfermedades
[143­145] y el reconocimiento de textos [146­148]. En general, las SVM
son intuitivas, teóricamente bien fundamentadas y han demostrado ser
prácticamente exitosas.
El objetivo principal de SVM es localizar hiperplanos que separen con
precisión varios grupos (dos o más clases) de datos n­dimensionales.
SVM se basa en casos de entrenamiento colocados en el borde del
descriptor de clase, conocidos como vectores de soporte; todos los demás
casos se eliminan. Según las etiquetas o clases que haya definido, SVM
intenta maximizar los límites de separación entre sus puntos de datos.
Como resultado, se obtiene el hiperplano óptimo con la distancia más larga
al punto de entrenamiento más cercano de cualquier clase para lograr una
buena separación de características. Cuando SVM no puede separar datos
linealmente, utiliza funciones del kernel para mapear/transformar datos de
entrada en espacios de características de alta dimensión. En un espacio
de alta dimensión, es factible diseñar un hiperplano que permita la
separación lineal (que en el espacio de entrada de menor dimensión
corresponde a una superficie curva). Como resultado, en SVM, la función
del núcleo es crucial. En la práctica se pueden emplear funciones kernel
como polinómicas, lineales y gaussianas.
Los algoritmos de optimización se pueden utilizar para encontrar un
óptimo global particular para los parámetros de SVM, como el parámetro
de función del núcleo r y el factor de compensación de clasificación errónea
c, que controla la compensación entre el margen máximo y el error de
entrenamiento más pequeño. Como resultado, el rendimiento de la
clasificación basada en SVM está determinado por la optimización de
parámetros y la selección de una función kernel adecuada. Las
configuraciones de parámetros de SVM que son incorrectas dan como
resultado resultados de clasificación deficientes, como sobreajuste o
subajuste. [149]. SVM proporciona el beneficio de que el problema del
sobreajuste se puede gestionar simplemente seleccionando
12543
un margen de separación de datos adecuado (es decir, vectores de
soporte) [150].
4.2.2 Red neuronal artificial
Las redes neuronales artificiales (RNA) son una forma de técnica de
aprendizaje automático que se desarrolló para simular el cerebro humano
[151]. Es decir, de la misma manera que las neuronas del sistema nervioso
humano pueden aprender de datos previos, la RNA puede aprender de los
datos y responder en forma de clasificaciones o predicciones. Está
formado por unidades de procesamiento simples, conocidas como neuronas
o nodos artificiales, y sus conexiones. El peso de cualquier conexión entre
dos unidades se utiliza para evaluar cuál es el impacto de una unidad sobre
la otra.
Algunas unidades sirven como nodos de entrada, otras sirven como nodos
ocultos y el resto sirven como nodos de salida, realizando sumas y umbrales
[150].
En una red neuronal, hay tres capas esenciales: capas de entrada,
capas ocultas y capa de salida [152], como se muestra en la Fig. 11. La
capa de entrada de una ANN es la capa inicial que recibe datos en forma
de números, textos , píxeles de imagen, archivos de audio, etc. Las capas
ocultas se encuentran en medio del modelo ANN. Es posible tener una
única capa oculta, como en un perceptrón, o numerosas capas ocultas.
Estas capas ocultas utilizan los datos de entrada para ejecutar varios tipos
de cálculos matemáticos y reconocer patrones. El resultado obtenido por
los rigurosos cálculos de la capa intermedia se encuentra en la capa de
salida.
El rendimiento de una red neuronal se ve afectado por una serie de
parámetros e hiperparámetros. La salida de las RNA está influenciada
principalmente por estos parámetros. Entre ellos se encuentran
ponderaciones, sesgos, tamaño de lote, tasa de aprendizaje y otros
parámetros. La neurona artificial es un componente de la red neuronal
artificial (RNA) que está diseñada para imitar la función de una neurona
biológica. Cada neurona artificial (nodo) de la red tiene un conjunto de
pesos adjuntos.
Fig.11 Arquitectura básica de ANN
123
Machine Translated by Google
12544
Fig.12 Modelo de una neurona artificial.
como se muestra en la Fig. 12. La suma ponderada de las entradas y el
sesgo se calculan utilizando una función de transferencia. La función de
activación recibe el resultado después de la función de transferencia.
ción ha calculado la suma. Las funciones de activación activan el resultado
apropiado desde el nodo en función de la salida recibida. La función de
activación verifica si la salida cumple con un umbral específico y genera cero
o uno. Sig­moid, ReLU, Softmax, Tanh y otras funciones de activación
comunes se utilizan en redes neuronales artificiales [153].
Obtenemos el resultado final en función del valor disparado por el nodo.
Luego, con la ayuda de las funciones de error, calculamos las diferencias
entre las salidas predichas y reales y, usando retropropagación, modificamos
los pesos de la red neuronal.
Hay muchos tipos y arquitecturas diferentes de redes neuronales, cada
una con una diferencia básica en la forma de aprender; están bien descritos
en la literatura [151, 152]. Entre estas arquitecturas se encuentran la red
neuronal de perceptrón multicapa (MLPNN) y la máquina de aprendizaje
extrema (ELM).
4.2.3 Árbol de decisión
El árbol de decisión (DT) es un método común de aprendizaje automático
que se utiliza tanto para problemas de regresión como de clasificación. Se
basa en la división del conjunto de datos en varios subconjuntos.
de acuerdo con un criterio que maximiza la separación de los datos,
repitiendo este proceso de forma recursiva para producir un árbol [154, 155].
El criterio más utilizado es la ganancia de información, lo que significa que
se maximiza la reducción de entropía debida a cada división.
A cada nodo hoja de un árbol de decisión se le asigna una etiqueta de
clase; Los nodos no terminales, como el nodo raíz y otros nodos internos,
llevan condiciones de prueba de atributos que ayudan a distinguir registros
con características distintivas [156].
Cada nodo del árbol de decisión se puede definir como regla. Los nodos
superiores del árbol de decisión tienen un mayor impacto en la precisión
general de la muestra [157].
J. Ross Quinlan creó ID3 (Iterative Dichotomizer 3), un algoritmo
generador de árboles de decisión, a finales de los años 1970 y principios de
los 1980. Presentó el método C4.5 como una mejora
123
Aplicaciones y computación neuronal (2022) 34:12527–12557
versión de ID3 unos años más tarde. Según [158], C4.5 proporciona la base
para nuevos algoritmos de clasificación supervisados. El algoritmo J48 es
una versión basada en Java del método de clasificación C4.5, que surgió
como resultado de la necesidad de recodificar el algoritmo después de que
se construyó por primera vez en C [156]. El algoritmo siempre elige el mejor
paso evaluado localmente, independientemente de si generará o no la
solución óptima, y divide un problema en subproblemas generando
subárboles entre la raíz y las hojas. Salvatore Ruggieri creó EC4.5, una
técnica de clasificación que calcula árboles de decisión idénticos a C4.5
pero con hasta cinco veces la ganancia de rendimiento, en 2002. [159].
Los árboles de decisión tienen la ventaja sobre otros métodos de
aprendizaje automático de que no son modelos de caja negra y pueden
expresarse fácilmente como reglas. Esta ventaja tiene un mayor impacto en
muchos dominios de aplicación, por lo que estos modelos se utilizan
ampliamente.
4.2.4 Bosque aleatorio
El bosque aleatorio (RF) [160] es un enfoque de conjunto sofisticado que
utiliza un bosque de árboles de decisión para realizar clasificaciones y
regresiones durante el entrenamiento. Se basa en el concepto de algoritmo
de ensacado. Puede manejar grandes cantidades de datos porque solo
emplea un subconjunto de características al crear árboles de decisión. Se
necesita una fracción del tiempo para entrenar en comparación con otros
clasificadores [161]. Random Forest es una técnica de clasificación popular
debido a todas estas cualidades. La votación de todos los árboles de
decisión determina el resultado final de RF [162]. A continuación se explica
paso a paso el modelo de trabajo de RF:
– Los conjuntos de entrenamiento se eligen al azar y tienen el mismo tamaño
que el conjunto de muestra.
– Cada conjunto de entrenamiento se utiliza para construir un árbol de decisiones.
– Extraiga un grupo de atributos al azar de todos los atributos con la misma
probabilidad y luego elija el mejor atributo para dividir los nodos de este
subconjunto.
– La predicción se obtiene de cada árbol de decisión.
– Se obtiene el voto por cada resultado previsto.
– La decisión final se toma seleccionando el máximo votado.
resultados
4.2.5 k­vecino más cercano
k­vecino más cercano (K­NN) es uno de los algoritmos de aprendizaje
automático supervisados y basados en estadísticas que se utilizan para
problemas de regresión y clasificación [163]. El algoritmo K­NN se ha
perfeccionado enormemente con el tiempo y ahora se utiliza ampliamente
en una variedad de campos: reconocimiento de texto [164], reconocimiento
de emociones [165] y reconocimiento facial [166]. El
Machine Translated by Google

Aplicaciones y computación neuronal (2022) 34:12527–12557 12545

Idea de K­NN basada en una medida de similitud (por ejemplo, Se pueden entrenar funciones complejas para identificar clases de
función de distancia) entre el conjunto de entrenamiento y de prueba. salida en una tarea de clasificación utilizando varias
Encuentre el ejemplo de entrenamiento que sea más similar al objeto transformaciones y varias capas ocultas. Recientemente se han
x cuando se le solicite que identifique su clase. Después de eso, publicado varios estudios sobre el uso de técnicas de aprendizaje
etiqueta x con la clase de este ejemplo. La precisión del algoritmo profundo (DL) para el reconocimiento automatizado de emociones,
puede mejorar a medida que aumenta el número de vecinos más cercanosa (k).
pesar de que son bastante nuevos en comparación con la larga
El enfoque K­NN comienza con la elección de un conjunto de historia del estudio de las emociones en psicofisiología. Según los
muestras de entrenamiento. Seleccione el número de vecinos (k). K­ datos de la base de datos scopus, la Figura 13a muestra
NN utiliza la distancia euclidiana entre la muestra de prueba y las estadísticas para la investigación de clasificación y reconocimiento
muestras de entrenamiento para descubrir las K­muestras más de emociones de DL y EEG de 2014 a 2021. La Figura 13b muestra
cercanas en el conjunto de entrenamiento para cada nueva instancia la distribución de DL en el área de investigación de reconocimiento de emociones
de prueba, como se muestra en la Ec.16. Cuente cuántas muestras Para mejorar el rendimiento de la clasificación y ahorrar tiempo de
de entrenamiento tiene cada clase entre los K vecinos que ha elegido. cálculo, la extracción y selección de características encuentran un conjunto
La clase objetivo de la instancia de prueba está determinada por el de características más pequeño. La extracción de características profunda
valor de clase más común de las muestras de entrenamiento K y superficial son dos tipos de extracción de características. Las características
[163]. El costo de K­NN es una complejidad de cálculo excesiva. El que han sido elaboradas a mano en diversos dominios analíticos, como el
volumen de datos en el conjunto de datos determina la complejidad dominio del tiempo, el dominio de la frecuencia y el dominio del tiempo­
computacional. Como resultado, K­NN se adapta mejor a conjuntos frecuencia, se denominan características superficiales. Como se describe
de datos con una cantidad modesta de muestras. en la sección 3.4, se utilizan numerosos enfoques de selección o reducción
de características para minimizar las características de dimensiones
ffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffifi

vu
2 superiores. Desafortunadamente, las características superficiales dependen
DðA; BÞ ¼ xn jai; bij ð16Þ
i¼1 ! en gran medida de la heurística y necesitan una gran cantidad de datos
Utah

4.2.6 Bayes ingenuo
Un clasificador ingenuo de Bayes (NB) es un algoritmo de
clasificación probabilística que se basa en el teorema de
Bayes con supuestos de alta independencia [167, 168]. El
clasificador NB supone que la presencia (o ausencia) de una
característica en una clase no influye en la presencia (o
ausencia) de otras características. El clasificador NB supone
que la presencia (o falta) de una característica en una clase
etiquetados, que pueden ser difíciles de obtener en el contexto de aplicaciones del mundo re
La extracción y selección manual de características suele llevar mucho
tiempo y ser tediosa, pero tiene una influencia significativa en el
rendimiento de los modelos de aprendizaje automático. Las
características superficiales creadas a mano suelen ser específicas de
un dominio, lo que dificulta su reutilización en otros problemas.
Las técnicas clásicas de ingeniería de características y aprendizaje
automático pueden tener dificultades para extraer patrones complicados
y no lineales a partir de datos de series temporales con varias variables.
Además, seleccionar las características más importantes de un gran conjunto
de características es crucial y requerirá el uso de enfoques de reducción de

no influye en la presencia (o falta) de otras características. La dimensionalidad. Además, la extracción y selección de características lleva
técnica de máxima verosimilitud se utiliza para calcular mucho tiempo calcularse. El costo de calcular la selección de características,
parámetros en modelos ingenuos de Bayes [169]. El por ejemplo, puede crecer exponencialmente a medida que crece la
clasificador NB se puede enseñar de manera muy eficaz en dimensionalidad de las características. Es posible que los algoritmos de
un entorno de aprendizaje supervisado, sobre la base de la búsqueda, en general, no encuentren el mejor conjunto de funciones para un
naturaleza precisa del modelo de probabilidad, y requiere modelo de aprendizaje automático en particular.
datos de entrenamiento mínimos para la clasificación. La Muchos investigadores se han centrado en técnicas de DL para
clase resultante en este clasificador es la que tiene mayor posprobabilidad.
resolver los desafíos de extraer características útiles y estables de datos
de series temporales. DL facilita la extracción de funciones hechas a
4.3 Descripción general del aprendizaje profundo mano para algoritmos de ML. Más bien, tiene la capacidad de aprender la
representación jerárquica de la característica de forma autónoma. En un
El aprendizaje profundo (DL) es un subconjunto del aprendizaje proceso de aprendizaje automático tradicional, esto elimina el requisito
automático y la inteligencia artificial que puede aprender de los datos de reconstrucción del espacio de características y preprocesamiento de
proporcionados [170]. En varias tareas y conjuntos de datos de datos. Las redes neuronales artificiales (ANN) están en el corazón del
clasificación y regresión, DL puede producir resultados significativos. aprendizaje profundo, y "deep" en el nombre indica la cantidad de capas
Se ha convertido en un tema popular en el mundo de la informática, en una red neuronal. Una red neuronal que tiene más de tres capas, que
con aplicaciones en atención médica, reconocimiento visual, análisis abarcan entradas y salidas, se conoce como algoritmo de aprendizaje
de texto, ciberseguridad y una variedad de otros campos [171]. profundo. La carrera de DL comenzó en la década de 1980. Quizás la
DL emplea varias capas ocultas en redes neuronales primera red neuronal artificial fue la
para realizar numerosos niveles de operaciones no lineales.

123
Machine Translated by Google
12546
Fig. 13 Los métodos de aprendizaje profundo para estudios de reconocimiento de emociones EEG realizados en la última década [2014­2021] basados en la base de datos scopus
neocognitron [172] tiene la propiedad "profunda" y tiene en cuenta los
conocimientos neurofisiológicos. Hinton y Salakhutdinov [173] hicieron
una contribución significativa a la extracción de características en 2006, a
la que se ha seguido en años posteriores [174­177]. Según diversas
investigaciones [178–180], las NN multicapa se pueden utilizar para
representar y aprender características utilizando metodologías iterativas
o no iterativas.
Las redes neuronales profundas se utilizan en técnicas de DL para
extraer características relevantes mediante la aplicación de representación
de datos de alto nivel. La capacidad de tratar directamente con datos sin
procesar y automatizar la extracción y selección de características es un
aspecto atractivo de los enfoques de DL. La red se alimenta con muestras
de series temporales y se crea una representación oculta de las entradas
de la capa anterior después de cada transformación no lineal, lo que da
como resultado una estructura de representación de datos jerárquica.
Para decirlo de otra manera, en un paradigma de red profunda, cada capa
toma los resultados de la capa anterior y utiliza un mapeo no lineal para
convertirlos en un nuevo conjunto de características.
Recientemente, los algoritmos de aprendizaje profundo como el
autoencoder, la red de creencias profundas (DBN), la red neuronal
convolucional y la red neuronal recurrente han generado un gran impacto
en diferentes aplicaciones como el reconocimiento de voz, la visión por
computadora, el reconocimiento de objetos, el procesamiento del
lenguaje natural y el procesamiento de máquinas. traducción. Se proponen
y aplican diferentes modelos de arquitectura profunda a señales de EEG
y se lograron resultados comparables en comparación con otros métodos
convencionales [181­184]. En los últimos años, DL se ha utilizado para
construir arquitecturas de reconocimiento de emociones que pueden
reconfigurarse debido a su capacidad para proporcionar abstracción de
datos de alto nivel.
En los últimos años, se han implementado varios modelos DL para
gestionar la clasificación de señales EEG para el reconocimiento de
emociones humanas. Entre estos métodos,
123
Aplicaciones y computación neuronal (2022) 34:12527–12557
red neuronal recurrente (RNN) con redes de memoria a largo plazo
(LSTM) como tipo especial y red neuronal convolucional (CNN), que se
emplean ampliamente como métodos de clasificación; los describiremos
brevemente en las siguientes secciones.
4.3.1 Red neuronal recurrente
La red neuronal recurrente (RNN) es un método de aprendizaje profundo
para procesar datos secuenciales de longitud variable, como datos de
series temporales (sensores), sonido o lenguaje natural escrito. Está
formado por redes neuronales feedforward conectadas cíclicamente.
Aprovecha las correlaciones temporales entre los datos en diferentes
momentos para mapear el historial completo de entradas en la red y
anticipar cada salida.
En una red neuronal estándar, todas las entradas (y salidas) se
consideran independientes entre sí. RNN es un tipo de red neuronal que
tiene conexiones cíclicas y puede aprender datos secuenciales temporales.
Las redes RNN pueden captar patrones temporales que son dinámicos
y guardar información gracias a que cada capa oculta tiene bucles de
retroalimentación internos. Varios nodos forman la capa oculta de un
RNN, que genera resultados en función de las entradas actualmente
disponibles y los estados ocultos anteriores.
El algoritmo de retropropagación a través del tiempo (BPTT) [185] se
puede utilizar para entrenar RNN. Sin embargo, los RNN son difíciles de
entrenar debido a problemas de gradiente explosivo y de desaparición,
lo que puede dificultar que la red retropague gradientes durante intervalos
de tiempo prolongados [186, 187]. Esto restringe la cantidad de contexto
al que tienen acceso, lo cual es crucial para los datos de secuencia.
Como resultado, la memoria a corto plazo (LSTM) y la unidad recurrente
de puerta (GRU) [187] han ganado popularidad como alternativas.
Machine Translated by Google
Aplicaciones y computación neuronal (2022) 34:12527–12557
4.3.1.1 Red de memoria a largo plazo Las redes de memoria a largo
plazo (LSTM) son un tipo de red neuronal recurrente (RNN) con una
arquitectura única.
Hochreiter y Schmidhuber lo introdujeron en 1997 [188] para abordar la
cuestión de la dependencia a largo plazo en las RNN.
Debido a que un RNN convencional se enseña mediante
retropropagación a través del tiempo (BPTT) [185], aprender secuencias
largas puede ser un desafío, lo que conduce al problema del gradiente
de desaparición/explosión [186]. La celda RNN se sustituye por una
celda cerrada, como una celda LSTM, para superar este problema.
Las celdas LSTM tienen un bloque de memoria y puertas que
permiten que la información pase a través de la conexión LSTM. Hay
varias conexiones para entrar y salir por estas puertas.
En los bloques de memoria, el estado temporal de la red se almacena
en celdas de memoria con autoconexiones y el flujo de información
está controlado por unidades multiplicativas específicas llamadas
puertas [188]. En la construcción original, cada bloque de memoria
tenía tres puertas: una puerta de entrada, una puerta de olvido y una
puerta de salida. La primera puerta es una puerta de olvido, que utiliza
una capa sigmoidea para elegir qué información del estado de la celda
debe descartarse. La puerta de entrada es la segunda puerta que
incluye una capa sigmoidea para determinar qué valores se han
configurado para actualizar y una capa tanh para crear un vector de
valores recién actualizados. Finalmente, la salida del estado actual se
calculará utilizando la capa sigmoidea y el estado de celda actualizado.
La capa sigmoidea determina qué aspectos del estado celular son
definitivos.
4.3.2 Red neuronal convolucional
La red neuronal convolucional (CNN) es un tipo de red neuronal artificial
profunda y de avance basado en la estructura
tura de la corteza visual de los animales y se utiliza más comúnmente
para analizar imágenes. La suposición de que las entradas son
imágenes es obvia en las arquitecturas CNN, lo que nos permite
codificar atributos específicos en la arquitectura. Como resultado, la
construcción de la función directa es más eficiente y el recuento de
parámetros de la red disminuye drásticamente. A diferencia de una red
convencional completamente conectada, en la que una neurona está
conectada a todas las neuronas de la capa que la precede, una neurona
en una CNN solo está conectada a una porción especial de la capa
conocida como campo receptivo local. CNN tiene tres tipos diferentes
de capas en su diseño: (1) convolución, (2) agrupación y (3) capas
completamente conectadas [189]. Las capas de convolución y
agrupación sirven para la extracción de características, mientras que
una capa completamente conectada transfiere esas características al
resultado final, como la clasificación.
La capa de convolución es una parte fundamental del diseño de
CNN, ya que extrae características, lo que a menudo implica una
combinación de procesos lineales y no lineales, como el proceso de
convolución y las funciones de activación. La convolución es una forma
de proceso lineal que se utiliza para extraer características y
12547
consta de varios mapas de características. Las características locales
de distintos puntos en el primero se extraen utilizando cada neurona
del mismo mapa de características. Se aplica una función de activación
no lineal a las salidas de una operación lineal como la convolución. La
unidad lineal rectificada (ReLU) es la función de activación no lineal
más utilizada en la actualidad y se utiliza para convertir operaciones
lineales en no lineales. La capa de agrupación se utiliza para minimizar
la dimensión de los mapas de características y mejorar la solidez de la
extracción de características. Los valores de salida de la capa
convolucionada también se seleccionan mediante un filtro deslizante
en la capa de agrupación. Las capas de agrupación media y máxima
son las dos formas de capa de agrupación. La capa completamente
conectada recibe todas las entidades que se han creado. La salida de
esta capa es una distribución de probabilidad para todas las clases. La
capa completamente conectada es el resultado final de la clasificación.
Combina todas las neuronas de la capa anterior en una sola capa.
5 técnicas de reconocimiento de emociones humanas
usando BCI basado en EEG
En los últimos años se han publicado varios artículos de investigación
sobre el reconocimiento de emociones que emplean dispositivos BCI
para la recopilación de datos de EEG. Estos artículos utilizan varias
técnicas de aprendizaje automático y profundo. Según la base de datos
scopus, la Fig. 14 muestra la cantidad de artículos de 2015 a 2021 que
emplearon los clasificadores más utilizados: ANN, SVM, RF, K­NN, NB
y aprendizaje profundo. En esta sección, discutiremos y revisaremos
algunas de las técnicas de aprendizaje profundo y automático más
extendidas para el reconocimiento de emociones EEG, como se
muestra en las siguientes secciones.
5.1 Métodos de aprendizaje automático para el reconocimiento de
emociones EEG
Se utilizan diferentes métodos de aprendizaje automático para clasificar
diferentes estados emocionales a partir de datos de EEG como apoyo.
Fig. 14 Número de publicaciones de 2015 a 2021 de los métodos de
aprendizaje profundo y automático más utilizados para el reconocimiento de
emociones EEG basados en la base de datos Scopus.
123
Machine Translated by Google

12548 Aplicaciones y computación neuronal (2022) 34:12527–12557

Tabla 5 Resumen de los artículos de clasificación de emociones EEG que utilizan métodos tradicionales de aprendizaje automático entre 2015 y 2021

Referencias Conjunto de datos utilizado Métodos de clasificación Emociones Cuenta (%)

[63] Conjunto de datos propio SVM Asco Promedio 90.2

[56] DEAP C4.5 2clase/excitación Excitación: 69.09

2clase/Valencia Valencia: 67,89

[64] JUEGOEMO MLPNN HAPV, HANV, LAPV y LANV 4 clases/promedio. 73.2

Positivo y negativo 2 clases/promedio. 81,36

[57] DEAP MLPNN Positivo y negativo 77.14

[67] DEAP y SEMILLA GEL DEAP: HAHV,HALV, LAHV y DEAP: 69,67

LALV SEMILLA: 91.07

SEAD: Positivo, neutral y negativo.

[58] DEAP ANA 2clase/excitación Excitación: 82.11

2clase/Valencia Cenefa: 82,03

[68] DEAP y SEMILLA RF, K­NN, DT Positivo, neutral (tranquilo) y negativo. DEAP: 62.63

SEMILLA: 74,85

[59] DEAP LSSVM (lineal) 2clase/excitación, Excitación:64.84

2clase/Valencia Valencia: 61,17

[55] DEAP SVM ((RBF)) 2clase/excitación, Excitación: 73.06

2clase/Valencia Valencia: 73,14

[69] DEAP SVM y RVM 2clase/excitación, Excitación: 68

2clase/Valencia, Valencia: 65

2clase/Dominancia Dominio: 63

y 2clase/Agrado. Gusto: 67
[70] DEAP SVM (RBF) 2clase/excitación, Excitación: 67,7

2clase/Valencia Valencia: 69,6

[71] Conjunto de datos propio LIBSVM 2clase/excitación, Excitación: 74,88

2clase/Valencia Valencia: 82,63

[72] DEAP y LSSVM (RBF) 2clase/excitación, DEAP:

MAHNOB­HCI 2clase/Valencia Excitación: 65

Valencia: 68

MAHNOB­HCI:

Excitación: 67

Valencia: 70

[sesenta y cinco]
DEAP K­NN 2clase/excitación, Excitación: promedio. 92,9
2clase/Valencia Valencia: promedio. 92,8

[73] DEAP LDA Positivo, negativo, enojado. 82

y armonía
[74] DEAP MLPNN HVHA, LVLA, HVLA y 93,8

LVHA

[75] Conjunto de datos propio SVM Positivo, neutral y negativo. 85,9

[76] SEMILLA RFE, SVM Positivo, neutral y negativo. 93

[77] DEAP RF Feliz, triste, enojado y relajado. 75,60

[191] DEAP NÓTESE BIEN

Valencia, excitación y dominancia. 78.06

Máquina de vectores de soporte de mínimos cuadrados (LSSVM), Máquina de aprendizaje extremo regularizada de gráficos (GELM), Máquina de vectores de relevancia (RVM),
Análisis Discriminante Lineal (LDA), Conjunto de Bosques de Rotación (RFE)

máquina vectorial (SVM), bosque aleatorio (RF), k­más cercano Todas las técnicas de clasificación superficial clasifican las señales de EEG.
vecino (K­NN), máquina de aprendizaje extremo (ELM), red neuronal basándose únicamente en sus características, sin tener en cuenta
artificial (ANN) y Bayes ingenuo (NB). Estos la información dinámica temporal interna de las señales [190].

123
Machine Translated by Google
Aplicaciones y computación neuronal (2022) 34:12527–12557
Fig. 15 Varios métodos de aprendizaje automático utilizados en el reconocimiento
de emociones EEG abordados en esta revisión
La Tabla 5 resume la investigación en reconocimiento de emociones a partir de
EEG de 2015 a 2021 utilizando técnicas de aprendizaje automático. La Figura
15 ilustra un gráfico del porcentaje de uso de varios métodos de aprendizaje
automático utilizados para el reconocimiento de emociones EEG abordados en
esta revisión.
Según la Tabla 5, la precisión de clasificación de los métodos tradicionales
de aprendizaje automático oscila entre el 61,17 y el 93%.
Como se muestra en la Fig. 15, SVM y sus derivados son los más comúnmente
utilizados, contribuyendo con el 41%, y las funciones del núcleo relacionadas
son funciones de base radial (RBF), lineales y gaussianas, etc. Las redes
neuronales artificiales (ANN) y su arquitectura MLPNN son las segundas más
populares, con un 18% de uso. RF es elegido por el 14% de los investigadores.
El uso del K­NN es similar al del DT, cada uno representa el 9%. Sólo el 5% de
los investigadores elige NB.
ELM es el menos utilizado, con aproximadamente un 4%.
SVM, como representación de las técnicas clásicas de aprendizaje automático,
tiene la ventaja de poder separar clases en un espacio de dimensiones
superiores utilizando diferentes funciones del núcleo, y ha sido elegido durante
mucho tiempo por la mayoría de los investigadores.
Como resultado, ocupa el primer lugar en esta revisión en términos de frecuencia
de uso del algoritmo.
5.2 Métodos de aprendizaje profundo para el reconocimiento de
emociones EEG
En los últimos años, un gran número de investigadores han adoptado técnicas
de aprendizaje profundo. Debido a las ventajas de la red neuronal recurrente
(RNN), la red neuronal convolucional (CNN), la red neuronal profunda (DNN),
la red de creencias profundas (DBN) y la memoria a corto y largo plazo (LSTM)
en el aprendizaje representacional y la alta precisión de clasificación, se pueden
utilizar para clasificar situaciones más complicadas. Como resultado, un número
cada vez mayor de investigadores considera que el aprendizaje profundo es un
método de estudio importante para la detección de emociones mediante EEG.
La Tabla 6 resume la investigación en este campo utilizando métodos de
aprendizaje profundo de
12549
2015 a 2021. La Figura 16 ilustra un gráfico del porcentaje de uso de diferentes
técnicas de aprendizaje profundo utilizadas para el reconocimiento de emociones
EEG abordadas en esta revisión.
Según la Tabla 6, la precisión de clasificación de los algoritmos de
aprendizaje profundo varía entre 61,25% y 97,56%.
Se puede ver que los métodos tradicionales de aprendizaje automático no
tienen un efecto de clasificación tan bueno como los métodos de aprendizaje
profundo. Para determinar las características de las señales EEG, las técnicas
clásicas de aprendizaje automático requieren muchos conocimientos previos.
Sin embargo, varias personas tienen diferencias significativas en el complicado
proceso cognitivo, lo que dificulta encontrar funciones efectivas. Todo esto hace
que mejorar la precisión de la clasificación de la señal EEG sea extremadamente
difícil. El aprendizaje profundo, a diferencia de los algoritmos tradicionales de
aprendizaje automático, no requiere amplios conocimientos previos ni extracción
manual de funciones.
Es capaz de extraer características de datos complicados nivel por nivel. Como
se muestra en la Fig. 16, LSTM y sus derivados son los más utilizados y
representan el 50% del total. CNN y sus derivados son los segundos más
populares y representan el 36% de los estudios. DBN y DNN son los menos
populares, cada uno con una proporción del 7%.
6 Desafíos y futuras direcciones de investigación
Como ha demostrado este estudio de revisión, podemos emplear dispositivos
BCI para registrar señales de EEG y analizarlas utilizando algoritmos ML y DL
modernos para aplicaciones del mundo real de tecnología de detección de
emociones. Sin embargo, hay cuestiones sin resolver que es necesario abordar.
En promedio, los enfoques existentes para la detección de emociones utilizando
señales de EEG produjeron precisiones de clasificación superiores al 80%, lo
que parece ser apropiado para aplicaciones prácticas; sin embargo, la precisión
del reconocimiento es única para cada aplicación y depende en gran medida
de los conjuntos de datos utilizados en el estudio. Los siguientes son algunos
de los temas abiertos y direcciones para futuras investigaciones en el campo
del reconocimiento de emociones que se descubrieron durante esta revisión.
1. La investigación existente se centra principalmente en el problema del
reconocimiento de emociones dependientes subjetivas, que requiere un
clasificador personalizado para cada participante. Un modelo de
reconocimiento de emociones que sea independiente del sujeto (o
genérico) y adecuado para un conjunto de individuos sería extremadamente
útil en circunstancias del mundo real. Sin embargo, para lograr una
precisión en la detección de emociones que sea consistente entre los
individuos, el modelo clasificador independiente del sujeto debe integrarse
con la técnica de aprendizaje por transferencia.
2. La mayoría de los conjuntos de datos de EEG conocidos se recopilaron
utilizando herramientas de provocación visual en entornos de laboratorio.
En estudios anteriores, la condición emocional de los sujetos
123
Machine Translated by Google

12550 Aplicaciones y computación neuronal (2022) 34:12527–12557

Tabla 6 Resumen de los artículos de clasificación de emociones EEG utilizando métodos DL de 2015 a 2021

Referencias Conjunto de datos utilizado Métodos de clasificación Emociones Cuenta (%)

[78] Conjunto de datos propio BiLSTM Positivo, neutral 72,83

y negativo
[192] Conjunto de datos propio DL con RBM Feliz, tranquila, triste, 68,4

y asustado

[80] DEAP DNN 2clase/excitación, Excitación: 61,25 Cenefa: 62,50

2clase/Valencia

[81] DEAP LSTM HAHV,HALV, LAHV DEAP:

y SEMILLA y LALV, 4 clases: 82.01

2clase/excitación, y Excitación: 85,21 Cenefa: 84,16

2clase/Valencia SEMILLA: 90.81

Positivo, neutral y

negativo
[82] SEMILLA SRU Positivo, neutral y 80.02

negativo
[193] Conjunto de datos propio LSTM Feliz, miedo, ira, tristeza, 87,25

Sorpresa y disgusto
[194] DEAP y SOÑADOR RACNN 2clase/excitación, DEAP:

2clase/Valencia Excitación: 97,11 Valencia: 96,65

SOÑADOR:

Excitación: 97,01 Valencia: 95,55

[83] DEAP, SOÑADOR, CNN?SVM 2clase/excitación, DEAP:

SEMILLA y AMIGOS. 2clase/Valencia Excitación: 77,7 y Valencia: 76,6

Positivo y negativo SOÑADOR:

Excitación: 90,4 y Valencia: 88,2

AMIGOS:

Excitación: 90,5 y Valencia: 78,4

SEMILLA: 88,5

[84] Conjunto de datos propio, DEAP LSTM Asco, tristeza, sorpresa. DEAP: 91.38 SEMILLA: 89.34

y SEMILLA y la ira Conjunto de datos propio

Positivo negativo, 4 clase: 94,12

y neutral 3 clase: 92,66

[195] DEAP BiDCNN 2 clases/Excitación, Dependiente del sujeto

2 clase/Valencia Excitación: 94,72 Valencia: 94,38

Independiente del sujeto

Excitación: 63,94 Valencia: 68,14

[196] DEAP LSTM 2 clases/Excitación, Excitación: 85,65 Gusto: 87,99

2 clase/Valencia, Valencia: 85,45

2 clase/gusto
[66] DEAP LSTM fusionado 2clase/excitación, Excitación 83,85 Valencia 84,89

2clase/Valencia, Agrado 80,72 Dominio 84,37

2 clase/gusto
2 clase/Dominancia

[79] Conjunto de datos propio BiLSTM Neutral, triste, miedo y 84.21

Feliz
[85] SEMILLA y DGCNN Positivo, neutral y SEMILLA:

123
Machine Translated by Google
Aplicaciones y computación neuronal (2022) 34:12527–12557
Tabla 6 (continuación)
Referencias Conjunto de datos utilizado Métodos de clasificación
SOÑADOR
[86] SEMILLA DECNN
[197] DEAP 3D­CNN
Máquina de Boltzmann restringida (RBM), unidades recurrentes simples (SRU), red neuronal convolucional asimétrica regional (RACNN), red neuronal convolucional de discrepancia
bihemisférica (BiDCNN), red bidireccional de memoria a corto plazo (BiLSTM), dinámica
Red neuronal convolucional gráfica (DGCNN), red neuronal convolucional empírica dinámica (DECNN)
antes de que se realizaran los experimentos no se consideró. Estas
diferencias individuales pueden causar
conjuntos de datos sean inconsistentes.
3. Muchos estudios sólo consideraron una clasificación binaria de cada
dimensión de la emoción.
4. En muchos estudios de reconocimiento de emociones, los investigadores
examinaron los datos del EEG bajo diferentes estados emocionales
y descuidaron los datos del EEG de referencia (espontáneos).
5. No se encontró en la literatura la detección de emociones mixtas
mediante EEG, como sentimientos agridulces, que integran
influencias positivas y negativas percibidas al mismo tiempo. Las
investigaciones para mejorar el desempeño creativo están ligadas a
estas emociones mixtas, por lo que son interesantes [198].
Además de los puntos anteriores, en trabajos futuros se considerará lo
siguiente.
1. Tradicionalmente, las clases de emociones reales se han etiquetado
en función de un umbral de datos de calificación subjetiva
predeterminado. Desafortunadamente, es difícil determinar el umbral
adecuado. Un enfoque novedoso es considerar
Fig. 16 Diferentes métodos de aprendizaje profundo utilizados en el reconocimiento de
emociones EEG abordados en esta revisión
12551
Emociones Cuenta
negativas (%) 90,40
2clase/Excitación, SOÑADOR:
2clase/Valencia, Excitación 84,54 Valencia 86,23
2 clase/Dominancia Dominio 85.02
Positivo y negativo 2clase/ 97,56
Excitación, Excitación 88,49 Valencia 87,44
2clase/Valencia
las dimensiones de valencia y excitación al mismo tiempo y luego
utilizar métodos de agrupación de datos para encontrar las clases
reales de emoción.
2. Los componentes del sistema BCI basado en EEG, como la extracción
y selección de características, están en continua evolución.
Deberían basarse en una comprensión profunda de la fisiología y
la biología del cerebro. La creación de características distintivas
tiene el potencial de mejorar drásticamente los resultados de los
sistemas de detección de emociones. Por ejemplo, las características
del dominio del tiempo se mezclan con la frecuencia, las
características de tiempo­frecuencia y la ubicación del canal.
3. Se deben crear modelos emocionales con más dimensiones
desarrollado. Actualmente, el modelo de emoción bidimensional se
utiliza ampliamente. El reconocimiento de emociones de múltiples
clases requiere el desarrollo de modelos de emociones de
dimensiones superiores. Por ejemplo, el análisis acumulado de la
información contextual del sujeto puede predecir la dimensión de la
"postura" en un modelo de emoción tridimensional (es decir,
excitación, postura y valencia).
4. Deben desarrollarse enfoques avanzados de aprendizaje automático,
como técnicas de aprendizaje automático profundas y transferibles.
Las emociones son un reflejo de procesos cognitivos vinculados a la
comprensión biológica y a sucesos psicofisiológicos, y su creación
es un procedimiento subjetivo y difícil. Como resultado, proponer un
método de reconocimiento basado únicamente en métodos clásicos
de ML es problemático.
5. Para monitorear las fluctuaciones emocionales temporales en tiempo
real, los enfoques tradicionales de análisis de series de tiempo deben
integrarse con técnicas de aprendizaje automático [55, 199­203].
6. La mayoría de las técnicas de ingeniería para el reconocimiento de
emociones muestran que la categorización de la excitación suele ser
más precisa que la distinción de valencia. Lo racional
porque esto podría ser que los cambios en el nivel de excitación estén
directamente relacionados con las actividades del sistema nervioso autónomo (p. ej.,
123
Machine Translated by Google
12552
conductividad de la piel y presión arterial) que son fáciles de medir,
mientras que la distinción del nivel de valencia requiere un análisis
factorial de las reacciones del ANS que están asociadas de forma
cruzada. Como resultado, necesitaremos crear un marco de
categorización específico de las emociones y extraer una variedad
de características relevantes para la valencia de los datos del EEG
en una variedad de dominios de análisis (p. ej., tiempo­frecuencia,
frecuencia, tiempo, entropía y multiescala). entropía).
7. Necesitamos crear más conjuntos de datos que empleen técnicas de
obtención activa, como los videojuegos, porque imitan mejor las
experiencias de la "vida real" y son más eficaces para inducir
emociones.
7. Conclusión
El reconocimiento de emociones ha ganado importancia en el campo de
la HCI a medida que mejoran las tecnologías para los sistemas hombre­
máquina y la automatización. En los últimos años, el reconocimiento de
emociones BCI basado en EEG ha recibido una atención cada vez mayor
en el campo de la informática afectiva. Se han llevado a cabo numerosos
estudios de investigación debido a avances significativos en la creación
de dispositivos BCI asequibles y fáciles de usar. Examinamos más de
195 publicaciones para esta revisión. Cubrimos enfoques de identificación
de emociones EEG de última generación desarrollados en los últimos
años (2015 a 2021). También consideramos conjuntos de datos existentes
y describimos los componentes principales del proceso de detección de
emociones que utiliza BCI basado en EEG. Las señales de EEG son
datos confiables que no se pueden falsificar ni simular. EEG reacciona a
los cambios emocionales en tiempo real. Los siguientes procesos
computacionales comprenden la metodología general para el
reconocimiento de emociones BCI basado en EEG: recopilación de datos,
preprocesamiento, extracción de características, selección de
características o reducción de dimensionalidad, clasificación y evaluación
del desempeño. En nuestra revisión, nos centramos en varias técnicas
de preprocesamiento, extracción de características y selección de
características/reducción de dimensionalidad.
Además, revisamos varias técnicas de clasificación de aprendizaje
profundo y automático y métricas de rendimiento de uso común. Investigar
la relación entre las señales cerebrales y las emociones es una tarea
difícil, como se muestra en esta revisión, y constantemente se desarrollan
nuevas metodologías e implementaciones. Se espera que muchos de
los desafíos actuales se resuelvan pronto, allanando el camino para una
amplia gama de aplicaciones potenciales basadas en la identificación de
emociones basada en EEG. Se pretende que esta revisión proporcione a
los investigadores, particularmente a aquellos que recién comienzan en
el campo, una idea del estado actual de la investigación sobre el
reconocimiento y la categorización de las características del EEG de
orientación emocional.
123
Aplicaciones y computación neuronal (2022) 34:12527–12557
Financiamiento Financiamiento de acceso abierto proporcionado por la Autoridad de
Financiamiento de Ciencia, Tecnología e Innovación (STDF) en cooperación con el
Banco Egipcio de Conocimiento (EKB).
Declaraciones
Conflictos de intereses Los autores han declarado que no existen conflictos de
intereses. Intereses en competencia no financieros.
Participantes humanos o animales Este artículo no contiene ningún estudio con
participantes humanos o animales realizados por ninguno de los autores.
Declaración del autor de CRediT Essam H. Houssein participó en la supervisión,
metodología, conceptualización, análisis formal, visualización y redacción, revisión y
edición. Asmaa Hammad participó en el análisis formal, la visualización, los recursos,
la curación de datos y la redacción (borrador original). Abdelmgeid A. Ali participó en
la supervisión, metodología y redacción: revisión y edición. Todos los autores leyeron
y aprobaron el artículo final.
Acceso Abierto Este artículo está bajo una Licencia Internacional Creative Commons
Attribution 4.0, que permite el uso, compartir, adaptación, distribución y reproducción
en cualquier medio o formato, siempre y cuando se dé el crédito apropiado a los
autores originales y a la fuente. proporcione un enlace a la licencia Creative Commons
e indique si se realizaron cambios. Las imágenes u otro material de terceros en este
artículo están incluidos en la licencia Creative Commons del artículo, a menos que se
indique lo contrario en una línea de crédito al material. Si el material no está incluido
en la licencia Creative Commons del artículo y su uso previsto no está permitido por la
normativa legal o excede el uso permitido, deberá obtener permiso directamente del
titular de los derechos de autor. Para ver una copia de esta licencia, visite http://
creativecommons. org/licenses/by/4.0/.
Referencias
1. Mudgal SK, Sharma SK, Chaturvedi J, Sharma A (2020) Avance de la interfaz
cerebro­computadora en neurociencias: aplicaciones y problemas. Neurocirugía
Interdisciplinaria 20:100694
2. Wolpaw JR, Birbaumer N, McFarland DJ, Pfurtscheller G, Vaughan TM (2002)
Interfaces cerebro­computadora para comunicación y control. Clin Neurophysiol
113(6):767–791 3. Abdulkader SN, Atia A, Mostafa M­SM (2015)
Interfaz cerebro­computadora: aplicaciones y desafíos. Egypt Inf J 16(2):213–230
4. Jerry JS, Dean JK, Jonathan RW (2012) Interfaces cerebro­computadora en
medicina. En
Procedimientos de Mayo Clinic, volumen 87.
Elsevier, págs. 268–279 5.
Khosla A, Khandnor P, Chand T (2020) Un análisis comparativo de métodos de
clasificación y procesamiento de señales para diferentes aplicaciones basadas
en señales eeg. Biocybern Biomed Eng 40(2):649–690 6. Jiang W, Mei W (2021)
Revisión de la
extracción y clasificación de características emocionales mediante señales de eeg.
Robótica cognitiva
7. Mamunur R, Norizam S, Anwar PPAM, Rabiu MM, Bifta SB, Sabira K et al (2020)
Estado actual, desafíos y posibles soluciones de la interfaz cerebro­computadora
basada en EEG: una revisión integral. Neurorob frontal 14:25
8. Zhang J, Yin Z, Chen P, Nichele S (2020) Reconocimiento de emociones
mediante datos multimodales y técnicas de aprendizaje automático: tutorial y
revisión. Informar a Fusion 59:103–126
Machine Translated by Google
Aplicaciones y computación neuronal (2022) 34:12527–12557
9. Calvo RA, D'Mello S (2010) Detección de afectos: una revisión interdisciplinaria
de modelos, métodos y sus aplicaciones. Computación de efectos trans IEEE 1
(1): 18–37
10. Valery P (1999) Emoción en el habla: reconocimiento y aplicación a los call
center. En: Actas de redes neuronales artificiales en ingeniería, volumen 710,
p. 22 11. Keith A, McOwan PW (2006)
Un sistema automatizado en tiempo real para el reconocimiento de expresiones
faciales humanas. IEEE Trans Syst Man Cybernet B (Cibernética) 36(1):96–105
12. Yin Z, Zhao M, Wang Y, Yang J, Zhang J (2017) Reconocimiento de emociones
mediante señales fisiológicas multimodales y un modelo de aprendizaje profundo
conjunto. Programas de métodos informáticos Biomed 140:93–110
13. Torres EP, Torres EA, Hernández­Álvarez M, Yoo SG (2020)
Reconocimiento de emociones bci basado en Eeg: una encuesta. Sensores
20(18):5083
14. He Z, Li Z, Yang F, Wang L, Li J, Zhou C, Pan J (2020)
Avances en el reconocimiento de emociones multimodal basado en interfaces
cerebro­computadora. Brain Sci 10(10):687 15.
Xiaowei L, Bin H, Tingshao Z, Jingzhi Y, Fang Z (2009)
Hacia el aprendizaje afectivo con un enfoque de retroalimentación eeg. En:
Actas del primer taller internacional de ACM sobre tecnologías multimedia para
el aprendizaje a distancia, págs. 33–38 16. Mauss IB, Robinson
MD (2009) Medidas de emoción: una revisión.
Cogn Emot 23(2):209–237 17.
Naji M, Firoozabadi M, Azadfallah P (2015) Clasificación de emociones durante la
escucha de música a partir de bioseñales de la frente. SIViP 9(6):1365–1375
18. Paul E (1992)
¿Existen emociones básicas? Psychol Rev 19. Russell JA (1980) Un
modelo circumplejo de afecto. J Pers Soc Psychol 39(6):1161
20. Charles D (2015) La expresión de las emociones en el hombre y los animales.
University of Chicago Press, Chicago 21. Silvan T (1962)
Conciencia de las imágenes del afecto: Volumen I: Los afectos positivos. Editorial
Springer 22. Ekman P, Oster H (1979) Expresiones
faciales de emoción. Annu Rev Psychol 30(1):527–554 23. Gray JA (1985) Un todo
y sus partes: comportamiento,
cerebro, cognición y emoción. Bull British Psychol Soc 24. Mowrer O (1960) Teoría
del aprendizaje y comportamiento. Asociación Estadounidense
de Psicología, Washington 25. Watson JB, Kimble GA (2017) Conductismo. Rouledge,
Londres
26. Gurney E (1884) ¿Qué es una emoción? Mind 9(35):421–426 27. Panksepp
J (1982) Hacia una teoría psicobiológica general de las emociones. Comportamiento
Cerebro Ciencia 5 (3): 407–422
28. Weiner B, Sarah G (1984) Un enfoque atribucional para el desarrollo emocional.
Emot Cognit Behav 167–191 29. Arnold MB (1960) Emoción y
personalidad. psiquiatra americano
Asociación de psicología, Washington
30. Johnson­Laird PN, Oatley K (1989) El lenguaje de las emociones: un análisis de
un campo semántico. Cogn Emot 3(2):81–123 31. Frijda NH et al (1986)
Las emociones. Cambridge University Press, Cambridge 32. Izard Carroll E (2013)
Emociones humanas.
Springer, Nueva York 33. McDougall William (2015) Una introducción a la psicología
social
ogía. Prensa de Psicología, Londres
34. Whissell CM (1989) El diccionario del afecto en el lenguaje. En: La medición de
las emociones. Elsevier, págs. 113­131 35. Schlosberg H (1954)
Tres dimensiones de la emoción. Psicólogo Rev
61(2):81
36. Yang W, Makita K, Nakao T, Kanayama N, Machizawa MG, Sasaoka T, Sugata
A, Kobayashi R, Hiramoto R, Yamawaki S et al (2018) Base de datos de
estímulos auditivos afectivos: una versión ampliada de los sonidos afectivos
digitalizados internacionales (iads­e).
Métodos de resolución de comportamiento 50 (4): 1415–1429
12553
37. Lang PJ, Bradley MM, Cuthbert BN et al (1997) Sistema internacional de
imágenes afectivas (iaps): manual técnico y calificaciones afectivas. Estudio del
Centro NIMH Emot Attent 1(39–58):3 38. Bradley MM, Lang PJ
(1994) Medición de la emoción: el maniquí de autoevaluación y el diferencial
semántico. J Behav Ther Exp Psychiatry 25(1):49–59 39. Zhou F, Xingda Q,
Jiao J, Helander MG (2014)
Predicción de emociones a partir de señales fisiológicas: un estudio de comparación
entre elicitores visuales y auditivos. Interact Comput 26(3):285–302 40. Yin Z,
Zhang J (2018) Reconocimiento de fatiga mental genérico de tareas basado
en señales neurofisiológicas y una máquina dinámica de aprendizaje extremo
profundo. Neurocomputación 283:266–281 41. Berger H (1929) U¨ ber das
elektroenkephalogramm des men­schen. Arch Psychiatr Nervenkr
87(1):527–570 42. Teplan M et al (2002) Fundamentos de la medición de eeg.
Measure Sci Rev 2(2):1–11 43.
Zhao G, Zhang Y, Ge Y (2018) Asimetría frontal del eeg y diferencia de poder de la
línea media en emociones discretas. Front Behav Neurosci 12:225 44. Zheng
WL, Bao­Liang L
(2015) Investigación de bandas y canales de frecuencia críticos para el
reconocimiento de emociones basado en EEG con redes neuronales profundas.
IEEE Trans Auton Ment Dev 7(3):162–175 45. Ekman P, Davidson RJ (1993)
La sonrisa
voluntaria cambia la actividad cerebral regional. Psychol Sci 4(5):342–345 46. Li P,
Liu H, Si Y, Li C, Li F, Zhu X, Huang X, Zeng Y, Yao D, Zhang
Y et al (2019) Reconocimiento de emociones basado en Eeg combinando
conectividad funcional de red y activaciones locales.
IEEE Trans Biomed Eng 66(10):2869–2881
47. Bhatti AM, Majid M, Anwar SM, Khan B (2016) Reconocimiento y análisis de
emociones humanas en respuesta a música de audio utilizando señales
cerebrales. Comput Hum Behav 65:267–275 48. Lee YY, Hsieh S
(2014) Clasificación de diferentes estados emocionales mediante patrones de
conectividad funcional basados en eeg. PLoS ONE 9(4):e95415 49. Peterson
V, Galva´n C, Herna
´ndez H, Spies R (2020) Un estudio de viabilidad de un sistema completo de interfaz
cerebro­computadora de bajo costo y apto para el consumidor. Heliyon
6(3):e03425 50. Wang Y, Jung TP (2012) Mejora de las
interfaces cerebro­computadora mediante análisis de componentes independientes.
En: Hacia interfaces prácticas cerebro­computadora. Springer, págs. 67–83 51.
Ofner P, Müller­Putz GR (2015) Decodificación de objetivos
de movimiento a partir de eeg y las fuentes discriminativas correspondientes: un
estudio preliminar. En: 2015 37ª Conferencia Internacional Anual de la
Sociedad de Ingeniería en Medicina y Biología (EMBC) del IEEE. IEEE, págs.
1468–1471 52. Alhaddad MJ, Kamel M, Malibary H, Thabit K, Dahlwi F, Hadi A
(2012) Eficiencia ortográfica P300 con
referencia promedio común. En: Congreso internacional sobre sistemas autónomos
e inteligentes. Springer, págs. 234–241 53. Li X, Fan H, Wang H, Wang L
(2019) Patrones espaciales comunes combinados con información de
sincronización de fase para la
clasificación de señales eeg. Control de procesos de señales biomédicas 52:248–256
54. Koelstra S, Muhl C, Soleymani M, Lee JS, Yazdani A, Ebra­himi T, Pun T, Nijholt
A, Patras I (2011) Deap: una base de datos para el análisis de emociones;
utilizando señales fisiológicas. IEEE Trans Affect Comput 3(1):18–31 55.
Atkinson J, Campos D (2016)
Mejora del reconocimiento de emociones basado en bci combinando la selección de
características de eeg y clasificadores de kernel. Expert Syst Appl 47:35–41 56.
Chen J, Bin H, Moore P, Zhang X, Ma X (2015)
Sistema de evaluación de emociones basado en electroencefalograma que utiliza
técnicas de ontología y minería de datos. Computación suave de aplicaciones
30:663–674
123
Machine Translated by Google
12554
57. O¨ zerdem MS, Polat H (2017) Reconocimiento de emociones basado en
funciones eeg en clips de películas con selección de canales. Brain informatics
4(4):241–252
58. Mert A, Akan A (2018) Reconocimiento de emociones basado en la distribución
tiempo­frecuencia de señales eeg mediante transformación de sincronización
multivariada. Proceso de señal de dígitos 81:106–115 59. Kumar N,
Khaund K, Hazarika SM (2016) Análisis biespectral de eeg para el reconocimiento de
emociones. Procedia Comput Sci 84:31–35 60. Hyva¨rinen A, Oja E (2000)
Análisis de componentes independientes: algoritmos y aplicaciones. Neural Netw
13(4–5):411–430 61. Papadelis C, Chen Z, Kourtidou­Papadeli C, Bamidis
PD, Chouvarda I, Bekiaris E, Maglaveras N (2007) Monitoreo de la somnolencia con
registros electrofisiológicos integrados para prevenir el sueño ­Accidentes de
tráfico privados. Clin Neurophysiol 118(9):1906–1922 62. Asadi Ghanbari A,
Nazari Kousarrizi MR, Teshnehlab M, Ali­yari M (2009) Un método evolutivo de
rechazo de artefactos
para la interfaz cerebro­computadora utilizando ica. Int J Electr Comput Sci 9 (9):
48–53
63. Iacoviello D, Petracca A, Spezialetti M, Placidi G (2015) Un algoritmo de
clasificación en tiempo real para bci basado en eeg impulsado por emociones
autoinducidas. Programas de métodos informáticos Biomed 122 (3): 293–303
64. Alakus TB, Gonen M, Turkoglu I (2020) Base de datos para un sistema de
reconocimiento de emociones basado en señales eeg y varios juegos de
computadora­gameemo. Control de procesos de señales biomédicas 60:101951
65. Li M, Hongpei X, Liu X, Shengfu L (2018) Reconocimiento de emociones a partir
de señales eeg multicanal utilizando la clasificación de k­vecino más cercano.
Technol Health Care 26(S1):509–519 66. Garg A, Kapoor
A, Bedi AK, Sunkaria RK (2019) Modelo lstm combinado para la clasificación de
emociones mediante señales eeg. En: 2019 Conferencia internacional sobre
ciencia e ingeniería de datos (ICDSE). IEEE, págs. 139–143 67. Zheng WL, Zhu
JY, Bao­Liang L (2017) Identificación
de patrones estables a lo largo del tiempo para el reconocimiento de emociones a
partir de eeg.
Computación de efecto trans IEEE 10 (3): 417–429
68. Qing C, Qiao R, Xiangmin X, Cheng Y (2019) Reconocimiento de emociones
interpretables mediante señales de eeg. Acceso IEEE 7:94160–94170
69. Gupta R, Falk TH et al (2016) Fusión de decisión del clasificador de vectores de
relevancia y características teóricas de gráficos eeg para la caracterización
automática del estado afectivo. Neurocomputación 174:875–884 70. Arnau­
Gonza´lez P, Arevalillo­Herra´ez M, Ramzan N (2017)
Fusionando características de conectividad y energía altamente dimensionales
para identificar estados afectivos a partir de señales de EEG. Neurocomputación
244:81–89
71. Chen T, Sihang J, Ren F, Fan M, Yu G (2020) Modelo de reconocimiento de
emociones Eeg basado en el clasificador libsvm. Medida 164:108047
72. Yin Z, Liu L, Chen J, Zhao B, Wang Y (2020) Selección de características de eeg
localmente robusta para el reconocimiento de emociones independiente del
individuo. Solicitud de sistema experto 162:113768
73. Chakladar DD, Chakraborty S (2018) Clasificación de emociones basada en Eeg
mediante selección de subconjuntos basada en correlación. Biol Inspired Cognit
Architec 24:98–106 74. Salankar
N, Mishra P, Garg L (2021) Reconocimiento de emociones a partir de señales de eeg
mediante descomposición de modo empírico y gráfico de diferencias de
segundo orden. Control de procesos de señales biomédicas 65:102389 75.
Huang C (2021) Reconocimiento de emociones psicológicas mediante características
de eeg. Análisis del modelo de red Informe de salud Bioinform 10(1):1–11
76. Subasi A, Tuncer T, Dogan S, Tanko D, Sakoglu U (2021) Reconocimiento de
emociones basado en Eeg utilizando transformada q wavelet sintonizable y
clasificador de conjunto de bosque de rotación. Control de procesos de señales
biomédicas 68:102648
123
Aplicaciones y computación neuronal (2022) 34:12527–12557
77. Pane ES, Wibawa AD, Purnomo MH (2019) Mejora de la precisión del
reconocimiento de emociones eeg combinando la lateralización de valencia y el
aprendizaje conjunto con parámetros de sintonización.
Cogn Process 20(4):405–417 78.
Joshi VM, Ghongade RB (2020) Idea: base de datos de intelecto para el análisis de
emociones utilizando señales de eeg. J King Saud Univ­Comput Inform Sci
79. Yang J, Huang X, Hongkai W, Yang X (2020) Clasificación de emociones basada
en EEG basada en una red bidireccional de memoria a corto plazo. Procedia
Comput Sci 174:491–504 80. Pandey P, Seeja KR (2019)
Reconocimiento de emociones independiente del sujeto a partir de eeg mediante
vmd y aprendizaje profundo. J King Saud Univ­Comput Inform Sci 81. Sharma
R, Pachori RB, Sircar P (2020)
Reconocimiento automatizado de emociones basado en estadísticas de orden
superior y algoritmo de aprendizaje profundo. Biomed Signal Process Control
58:101867 82. Wei C, Chen L, Song Z, Lou X, Li D (2020)
Reconocimiento de emociones basado en EEG utilizando una red de unidades
recurrentes simples y aprendizaje en conjunto. Biomed Signal Process Control
58:101756 83. Tema A, Russo M (2021) Reconocimiento de
emociones basado en mapas de características de eeg a través de una red de
aprendizaje profundo. Int J Eng Ciencia y Tecnología
84. Sakalle A, Tomar P, Bhardwaj H, Acharya D, Bhardwaj A (2021) Red de
aprendizaje profundo basada en lstm para reconocer emociones mediante un
sistema inalámbrico impulsado por ondas cerebrales. Expert Syst Appl
173:114516 85. Song
T, Zheng W, Song P, Cui Z (2018) Reconocimiento de emociones por Eeg mediante
redes neuronales convolucionales de gráficos dinámicos.
Computación de efecto trans IEEE 11 (3): 532–541
86. Liu S, Wang X, Zhao L, Zhao J, Xin Q, Wang S (2020) Reconocimiento de
emociones independiente del sujeto de señales eeg basado en una red neuronal
convolucional empírica dinámica. IEEE/ACM Trans Comput Biol Bioinform 87.
Hjorth B (1970) Análisis de Eeg basado
en propiedades en el dominio del tiempo.
Electroencephalogr Clin Neurophysiol 29(3):306–310 88.
Petrantonakis PC, Hadjileontiadis LJ (2009) Reconocimiento de emociones a partir
de eeg utilizando cruces de orden superior. IEEE Trans Inf Technol Biomed
14(2):186–197
89. Petrantonakis PC, Hadjileontiadis LJ (2010) Reconocimiento de emociones a
partir de señales cerebrales mediante filtrado adaptativo híbrido y análisis de
cruces de orden superior. IEEE Trans Affect Comput 1(2):81–97 90. Shaw L,
Routray A (2016) Extracción de características estadísticas para el análisis de
patrones multivariados en meditación eeg utilizando pca. En: Conferencia
Internacional de Estudiantes (ISC) IEEE EMBS 2016.
IEEE, págs. 1–4
91. Liu Y, Sourina O (2014) Algoritmo de reconocimiento de emociones dependiente
del sujeto basado en Eeg que utiliza dimensión fractal. En: Conferencia
internacional IEEE de 2014 sobre sistemas, hombre y cibernética (SMC). IEEE,
págs. 3166–3171 92. Yuen CT, San
San W, Seong TC, Rizon M (2009) Clasificación de las emociones humanas a partir
de señales de eeg utilizando características estadísticas y redes neuronales. Int
J Integrat Eng 1(3)
93. Murugappan M, Subbulakshmi M (2013) Reconocimiento de emociones humanas
a través de señales de electroencefalograma (eeg) de corta duración utilizando
transformada rápida de Fourier (fft). En: 2013 9º coloquio internacional del IEEE
sobre procesamiento de señales y sus aplicaciones.
IEEE, págs. 289–294
94. Yoon HJ, Chung SY (2013) Estimación de emociones basada en Eeg utilizando
la función logarítmica posterior ponderada bayesiana y el algoritmo de
convergencia del perceptrón. Comput Biol Med 43(12):2230–2237 95.
Shi LC, Jiao YY, Lu BL (2013) Característica de entropía diferencial para la estimación
de vigilancia basada en eeg. En: 2013 35ª Conferencia Internacional Anual de
la Sociedad de Ingeniería en Medicina y Biología (EMBC) del IEEE. IEEE, págs.
6627–6630
Machine Translated by Google
Aplicaciones y computación neuronal (2022) 34:12527–12557
96. Subasi A (2007) Clasificación de señales Eeg mediante extracción de características
wavelet y una combinación de modelos expertos. Expert Syst Appl 32(4):1084–1093
97. Li Y, Yingle F, Gu
L, Qinye T (2009) Clasificación de las etapas del sueño basada en la transformada eeg de
Hilbert­Huang. En: 2009 4ª conferencia IEEE sobre aplicaciones y electrónica
industrial. IEEE, págs. 3676–3681 98. Ting W, Guo­Zheng Y, Bang­Hua Y, Hong S
(2008) Extracción
de características de Eeg basada en la descomposición de paquetes wavelet para la
interfaz cerebro­computadora. Medición 41(6):618–625 99. Houssein EH, Hamad A,
Hassanien AE, Fahmy AA (2019)
Detección epiléptica basada en una máquina de vectores de soporte mejorada con
optimización de ballenas. J Inf Optim Sci 40(3):699–723 100. Guido
RC (2018) Una revisión del tutorial sobre la extracción de características artesanales
basada en entropía para la fusión de información. Inform Fusion 41:161–175 101.
Vijith VS, Elsa
Jacob J, Iype T, K Gopakumar, George Yohannan D (2016) Detección de ataques epilépticos
mediante análisis no lineal de eeg. En: Conferencia internacional de 2016 sobre
tecnologías de computación inventivas (ICICT), vol 3. IEEE, págs. 1–6 102. Zhang C,
Wang H, Rongrong F (2013) Detección automatizada de la fatiga del
conductor basada en medidas de entropía y complejidad. IEEE Trans Intell Transp Syst
15(1):168–177 103. Nicolaou N, Georgiou J (2012) Detección de electroencefalograma
epiléptico basado en entropía de permutación y
máquinas de vectores de soporte. Expert Syst Appl 39(1):202–209 104. Pincus SM (1991)
Entropía aproximada como medida de la complejidad del sistema. Proc Natl Acad Sci
88(6):2297–2301 105. Zhang A, Yang B, Huang L (2008) Extracción
de características de señales eeg utilizando entropía espectral de potencia. En: Conferencia
internacional de 2008 sobre ingeniería biomédica e informática, vol
2.
IEEE, págs. 435–439
106. Richman JS, Randall Moorman J (2000) Análisis fisiológico de series temporales
utilizando entropía aproximada y entropía de muestra.
Am J Physiol­Heart Circulat Physiol 278(6):H2039–H2049 107. Lotte F, Congedo
M, Le´cuyer A, Lamarche F, Arnaldi B (2007)
Una revisión de los algoritmos de clasificación para interfaces cerebro­computadora
basadas en EEG. J Neural Eng 4(2):R1 108.
Ayyagari SSDP, Jones RD, Weddell SJ (2021) Detección de estados de microsueño a partir
del eeg: una comparación de métodos de reducción de características. Med Biol Eng
Comput 1–15 109. Fukunaga K (2013) Introducción al
reconocimiento de patrones estadísticos. Elsevier, Ámsterdam 110. Liu J, Meng H, Li M,
Zhang F, Qin R, Nandi AK (2018)
Detección de emociones a partir de grabaciones de EEG basada en reducción de
dimensiones supervisada y no supervisada. Computación de concurrencia: Pract Exp
30(23):e4446 111.
Doma V, Pirouz M (2020) Un análisis comparativo de métodos de aprendizaje automático
para el reconocimiento de emociones utilizando eeg y señales fisiológicas periféricas.
J Big Data 7(1):1–21 112. Abdulhamit Subasi M, Gursoy I (2010)
Clasificación de señales Eeg utilizando pca, ica, lda y máquinas de vectores de soporte.
Expert Syst Appl 37(12):8659–8666 113. Widodo A, Yang BS (2007) Aplicación de
máquinas de vectores de
soporte y extracción de características no lineales para el diagnóstico de fallas de motores
de inducción. Expert Syst Appl 33(1):241–250 114. Mafarja M, Mirjalili S (2018)
Enfoques de optimización de ballenas para la selección de funciones
de envoltura. Appl Soft Comput 62:441–453 115. Cabrera AF, Farina D, Dremstrup K (2010)
Comparación de métodos de selección y clasificación de características para una
interfaz cerebro­computadora impulsada por imágenes no motoras. Med Biol Eng Comput
48(2):123–132 116. Koprinska I (2009) Selección de funciones para interfaces
cerebro­computadora. En: Conferencia de Asia Pacífico sobre descubrimiento de
conocimientos y minería de
datos. Springer, págs. 106­117
12555
117. Kohavi R, John GH (1997) Envoltorios para la selección de subconjuntos de funciones.
ción. Artif Intell 97(1–2):273–324
118. Sabeti M, Boostani R, Katebi SD, Price GW (2007) Selección de características
relevantes para la clasificación de señales de EEG de pacientes esquizofrénicos.
Control de procesos de señales biomédicas 2(2):122–134
119. John GH, Kohavi R, Pfleger K (1994) Características irrelevantes y el problema de
selección de subconjuntos. En: Procedimientos de aprendizaje automático.
Elsevier, págs. 121­129
120. Langley P et al (1994) Selección de características relevantes en el aprendizaje
automático. En: Actas del simposio de otoño de la AAAI sobre relevancia 184:245–
271
121. Battiti R (1994) Uso de información mutua para seleccionar características en el
aprendizaje de redes neuronales supervisadas. IEEE Trans Neural Networks 5(4):537–
550 122. Peng H,
Long F, Ding C (2005) Selección de funciones basada en criterios de información mutua de
máxima dependencia, máxima relevancia y redundancia mínima. IEEE Trans Pattern
Anal Mach Intell 27(8):1226–1238 123. Reunanen J (2003) Sobreajuste al realizar
comparaciones entre
métodos de selección de variables. J Mach Learn Res 3:1371–1382
124. Pudil P, Novovicˇova´ J, Kittler J (1994) Métodos de búsqueda flotante en la selección
de características. Pattern Recogn Lett 15(11):1119–1125 125. Talbi EG (2009)
Metaheurísticas: del diseño a la implementación, vol 74. Wiley, Hoboken 126. Fister Jr I,
Yang XS, Fister I, Brest J, Fister D
(2013) Una breve revisión de algoritmos de optimización inspirados en la naturaleza.
preimpresión de arXiv arXiv:1307.4186 127. Zawbaa HM, Emary E, Parv B (2015)
Selección de funciones basada
en el algoritmo de optimización de la hormiga león. En 2015 Tercera conferencia mundial
sobre sistemas complejos (WCCS). IEEE, págs. 1–7 128. Emary E, Zawbaa HM,
Hassanien AE (2016) Enfoques de optimización del lobo gris binario
para la selección de características. Neurocomputing 172:371–381 129. Mistry K, Zhang L,
Neoh SC, Lim CP, Fielding B (2016) Un enfoque de selección de funciones pso
integradas en
micro­ga para el reconocimiento inteligente de emociones faciales. IEEE Trans Cybern
47(6):1496–1509 130. Baig MZ, Aslam N, Shum HPH, Zhang L (2017) Algoritmo de
evolución diferencial como herramienta para la selección óptima de subconjuntos de
características en
imágenes motoras, por ejemplo. Expert Syst Appl 90:184–195 131. Kim KH, Bang SW, Kim
SR (2004) Sistema de reconocimiento de emociones que utiliza monitoreo a corto
plazo de señales fisiológicas. Med Biol Eng Compu 42(3):419–427 132.
Ilyas MZ, Saad P, Ahmad MI (2015) Un estudio sobre el análisis y la clasificación de señales
EEG para interfaces cerebro­computadora. En 2015 2do Congreso Internacional de
Ingeniería Biomédica (ICoBE). IEEE,
págs. 1–6 133. Soleymani M, Lichtenauer J, Pun T, Pantic M (2011) Una base de datos
multimodal para el reconocimiento de afectos y el etiquetado implícito. Computación
de efectos trans IEEE 3 (1): 42–55
134. Ruo­Nan Duan, Jia­Yi Zhu, Bao­Liang Lu (2013) Característica de entropía diferencial
para la clasificación de emociones basada en eeg. En 2013, sexta Conferencia
Internacional IEEE/EMBS sobre Ingeniería Neural (NER). IEEE, págs. 81–84 135.
Katsigiannis S, Ramzan N
(2017) Dreamer: una base de datos para el reconocimiento de emociones a través de
señales de eeg y ecg desde dispositivos inalámbricos de bajo costo disponibles en el
mercado. IEEE J Biomed Health Inform 22(1):98–107 136. Miranda Correa JA,
Khomami Abadi
M, Sebe N, Patras I (2018)
Amigos: un conjunto de datos para la investigación del afecto, la personalidad y el
estado de ánimo en individuos y grupos. IEEE Trans Affect Comput
137. Lan Z, Liu Y, Sourina O, Wang L, Scherer R, Müller­Putz G (2020) Safe: Un conjunto
de datos eeg para una selección de características afectivas estables.
Informe de ingeniería avanzada 44:101047
123
Machine Translated by Google
12556
138. Lv Z, Qiao L, Wang Q, Piccialli F (2020) Métodos avanzados de aprendizaje
automático para la interfaz cerebro­computadora. IEEE/ACM Trans Comput Biol
Bioinform 139. Drucker H, Donghui W,
Vapnik VN (1999) Máquinas de vectores de soporte para la categorización de spam.
IEEE Trans Neural Networks 10(5):1048–1054 140. Kumar S, Singh S, Kumar J
(2018) Detección
automática de expresiones faciales en vivo utilizando un algoritmo genético con
características de haar wavelet y svm. Wireless Pers Commun 103(3):2435–
2453 141. Kumar S, Singh S, Kumar J (2019) Detección de múltiples rostros
utilizando funciones híbridas con clasificador svm. En: Redes de datos y comunicaciones.
Springer, págs. 253­265
142. Shi L, Wang X, Shen Y (2020) Investigación sobre el método de reconocimiento
facial 3D basado en lbp y svm. Optik 220:165157 143. Asuntha
A, Brindha A, Indirani S, Srinivasan A (2016) Detección de cáncer de pulmón mediante
algoritmo svm y técnicas de optimización. J Chem Pharm Sci 9(4):3198–3203
144. Dolatabadi AD, Khadem SEZ, Asl BM (2017)
Diagnóstico automatizado de pacientes con enfermedad de las arterias coronarias
(EC) mediante svm optimizado. Programas de métodos informáticos Biomed
138:117–126 145. Nilashi M, Ahmadi N, Samad S, Shahmoradi L, Ahmadi H,
Ibrahim O, Asadi S, Abdullah R, Abumalloh RA, Yade­garidehkordi E (2020) Diagnóstico
de enfermedades mediante aprendizaje automático Técnicas: revisión y
clasificación. Journal of Soft Computing and Decision Support Systems 7(1):19–
30 146. Francis LM, Sreenath N (2020) Detección de texto sin Tedless utilizando
svm de mínimos cuadrados de una escena natural. Journal of
King Saud University­Computer and Information Sciences 32(3):287–299 147. Lin W,
Ji D, Yanan L (2017) Reconocimiento de trastornos en textos clínicos utilizando
svm estructurado de etiquetas múltiples. BMC Bioinformática 18(1):1–11
148. Hassan AKA, Mahdi BS, Mohammed AA (2019) Reconocimiento de palabras de
escritura a mano en árabe basado en transformación de características
invariantes de escala y máquina de vectores de soporte. Iraqi Jf Sci 381–
387 149. Shalev­Shwartz S, Ben­David S (2014) Comprensión del aprendizaje
automático: de la teoría a los algoritmos. Cambridge University Press, Cambridge
150. Chen WH, Hsu
SH, Shen HP (2005) Aplicación de svm y ann para la detección de intrusiones.
Computers & Operations Research 32(10):2617–2634 151. Basheer IA, Hajmeer
M (2000) Redes
neuronales artificiales: fundamentos, informática, diseño y aplicación. Métodos J
Microbiol 43(1):3–31
152. Fausett LV (2006) Fundamentos de las redes neuronales: arquitecturas,
algoritmos y aplicaciones. Pearson Education India 153. Sharma S, Sharma
S (2017) Funciones de activación en redes neuronales. Hacia la ciencia de datos
6(12):310–316 154. Quinlan JR (2014) C4. 5: programas
para aprendizaje automático.
Elsevier
155. Loh WY (2011) Árboles de clasificación y regresión. Wiley Interdiscip Rev: Data
Min Knowl Discov 1(1):14–23 156. Bastos NS, Marques BP,
Adamatti DF, Billa CZ (2020) Análisis de señales eeg utilizando árboles de decisión:
un estudio de modulación de amplitud. Computadora Intel Neurociencia
157. Rasoul Safavian S, Landgrebe D (1991) Un estudio de la metodología del
clasificador de árboles de decisión. IEEE Trans Syst Man Cybern 21(3):660–674
158. Rafik Khairul
Amin, Yuliant Sibaroni, et al (2015) Implementación del árbol de decisión utilizando
c4. 5 algoritmo en la toma de decisiones de solicitud de préstamo por parte del
deudor (estudio de caso: Bank pasar de la región especial de yogyakarta). En
2015, 3.ª Conferencia Internacional sobre Tecnologías de la Información y la
Comunicación (ICoTIC), págs. 75–80. IEE 159. Ruggieri S (2002) Eficiente c4. 5
[algoritmo de
clasificación].
IEEE Trans Knowl Data Eng 14(2):438–444
123
Aplicaciones y computación neuronal (2022) 34:12527–12557
160. Tin Kam Ho (1995) Bosques de decisión aleatoria. En Actas de la tercera
conferencia internacional sobre análisis y reconocimiento de documentos,
volumen 1. IEEE, págs. 278–282
161. Deg˘er Ayata, Yusuf Yaslan, Mustafa Kamas¸ak (2016) Reconocimiento de
emociones a través de un bosque aleatorio y una respuesta galvánica de la piel:
comparación de conjuntos de características basadas en el tiempo, tamaños de
ventanas y enfoques de ondas. En 2016 Congreso Nacional de Tecnologías
Médicas (TIPTEKNO). IEEE, págs. 1–4 162.
Breiman L (2001) Bosques aleatorios. Mach Learn 45(1):5–32 163. Peterson LE
(2009) K­vecino más cercano. Scholarpedia 4(2):1883 164. Pascal Soucy, Guy W
Mineau (2001) Un algoritmo knn simple para la categorización de texto. En: Actas de
la conferencia internacional IEEE de 2001 sobre minería de datos. IEEE, págs.
647–648 165. Fatemeh Bahari, Amin Janghorbani (2013)
Reconocimiento de emociones basado en Eeg mediante análisis de gráficos de
recurrencia y clasificador de vecino más cercano k. En 2013, 20ª Conferencia
Iraní sobre Ingeniería Biomédica (ICBME). IEEE, págs. 228–233 166. Sasirekha
K, Thangavel K (2019) Optimización del vecino k más
cercano mediante optimización de enjambre de partículas para el reconocimiento facial.
Neural Comput Appl 31(11):7935–7944 167. Wang
H, Zhang Y et al (2016) Detección de señales de eeg de imágenes motoras empleando
un proceso de aprendizaje ingenuo basado en bayes. Medición 86:148–158
168. M Wiggins, Ashraf Saad, Brian Litt y George Vachtsevanos.
Desarrollo de un clasificador bayesiano para la clasificación de edades basada
en ECG en aplicaciones médicas. Computación suave aplicada, 8(1):599–608,
2008
169. Sharmila A, Geethanjali P (2016) Detección basada en Dwt de ataques epilépticos
a partir de señales de EEG utilizando clasificadores ingenuos de bayes y k­nn.
Acceso IEEE 4:7716–7727
170. Dong S, Wang P, Abbas K (2021) Una encuesta sobre el aprendizaje profundo y
sus aplicaciones. Revisión de informática 40:100379 171. Iqbal H Sarker.
Aprendizaje profundo: una descripción general completa de técnicas, taxonomía,
aplicaciones y direcciones de investigación. SN Ciencias de la Computación, 2
(6): 1–20, 2021
172. Fukushima K (1980) Un modelo de red neuronal autoorganizada para un
mecanismo de reconocimiento de patrones que no se ve afectado por el cambio
de posición. Biol Cybern 36:193–202
173. Hinton GE, Salakhutdinov RR (2006) Reducción de la dimensionalidad de los
datos con redes neuronales. ciencia 313 (5786): 504–507
174. Yoshua Bengio, Pascal Lamblin, Dan Popovici, Hugo Lar­ochelle (2007)
Entrenamiento codicioso en capas de redes profundas. En Avances en sistemas
de procesamiento de información neuronal, págs. 153–160 175. Pascal Vincent,
Hugo Larochelle, Isabelle Lajoie, Yoshua Bengio, Pierre­Antoine Manzagol, Le´on
Bottou (2010) Autocodificadores de eliminación de ruido apilados: aprendizaje
de representaciones útiles en una red profunda con un criterio de eliminación de
ruido local. Revista de investigación sobre aprendizaje automático, 11 (12)
176. Chamara L, Zhou H, Huang GB, Vong CM (2013) Aprendizaje representacional
con máquina de aprendizaje extremo para big data.
IEEE Intell Syst 28(6):31–34 177.
Chen M, Weinberger KQ, Zhixiang X, Sha F (2015)
Marginar codificadores automáticos de eliminación de ruido lineales apilados.
The Journal of Machine Learning Research 16(1):3849–3875 178. Cao
J, Zhao Y, Lai X, Ong MEH, Yin C, Koh ZX, Liu N (2015)
Reconocimiento de puntos de referencia con clasificación de representación
escasa y máquina de aprendizaje extrema. Instituto J. Franklin 352(10):4528–
4545
179. Cao J, Zhang K, Luo M, Yin C, Lai X (2016) Máquina de aprendizaje extrema y
representación dispersa adaptativa para la clasificación de imágenes. Red
neuronal 81:91–102
180. Yang Y, Wu QMJ (2015) Máquina de aprendizaje extremo multicapa con nodos
de subred para aprendizaje de representación. Transacciones IEEE sobre
cibernética 46(11):2570–2583
Machine Translated by Google
Aplicaciones y computación neuronal (2022) 34:12527–12557
181. Zhang J, Wu Y (2018) Clasificación automática de etapas del sueño de
eeg de un solo canal mediante el uso de convolucional de valores complejos
red neuronal. Ingeniería Biomédica/Biomedizinische
Técnica 63(2):177–190
182. Jiao Y, Deng Y, Luo Y, Bao­Liang L (2020) Somnolencia del conductor
Detección de señales eeg y eog utilizando redes gan y lstm.
Neurocomputación 408:100–111
183. Soumalya Sarkar, Kishore Reddy, Alex Dorgan, Cali Fidopi­astis, Michael Giering
(2016) Actividad portátil basada en EEG
reconocimiento en el entorno de servicios relacionados con phm a través del
aprendizaje profundo. Revista internacional de pronóstico y gestión sanitaria, 7(4)
184. Maiorana E (2020) Aprendizaje profundo para biometría basada en eeg
reconocimiento. Neurocomputación 410:374–386
185. Guo J (2013) Propagación hacia atrás a través del tiempo. Inédito. EM.
Instituto de Tecnología de Harbin 40:1–6
186. Sepp Hochreiter, Yoshua Bengio, Paolo Frasconi, Ju¨rgen Sch­midhuber, et al
(2001) Flujo gradiente en redes recurrentes: la dificultad de aprender dependencias
a largo plazo
187. Reddy BK, Delen D (2018) Predicción del reingreso hospitalario por
Pacientes con lupus: una metodología de aprendizaje profundo basada en rnn­lstm.
Computación Biol Med 101:199–209
188. Hochreiter S, Schmidhuber J (1997) Memoria a largo plazo.
Computación neuronal 9 (8): 1735­1780
189. Yamashita R, Nishio M, Do RKG, Togashi K (2018) Redes neuronales
convolucionales: una descripción general y aplicación en radiología. Imágenes de
conocimiento 9(4):611–629
190. Alarcao SM, Fonseca MJ (2017) Reconocimiento de emociones mediante eeg
señales: una encuesta. Computación de efecto trans IEEE 10 (3): 374–393
191. Harsh Dabas, Chaitanya Sethi, Chirag Dua, Mohit Dalawat,
Divyashikha Sethia (2018) Clasificación de emociones mediante eeg
señales. En las actas de la Segunda Conferencia Internacional sobre Ciencias de
la Computación e Inteligencia Artificial de 2018,
págs. 380–384,
192. Gao Y, Jong Lee H, Mehmood RM (2015) Aprendizaje profundo de eeg
Señales para el reconocimiento de emociones. En: 2015 IEEE internacional
conferencia sobre talleres multimedia y expo (ICMEW). IEEE,
págs. 1 a 5
193. Aya Hassouneh AM, Mutawa MM (2020) Desarrollo de un
Sistema de reconocimiento de emociones en tiempo real mediante expresiones faciales.
12557
y eeg basado en aprendizaje automático y red neuronal profunda
métodos. Informática en Medicina desbloqueada 20:100372
194. Cui H, Aiping Liu X, Zhang XC, Wang K, Chen X (2020) Reconocimiento de
emociones basado en Eeg utilizando una red neuronal convolucional asimétrica
regional de extremo a extremo. Sistema basado en el conocimiento
205:106243
195. Huang D, Chen S, Liu C, Zheng L, Tian Z, Jiang D (2021)
Primero las diferencias en el cerebro asimétrico: una red neuronal convolucional
de discrepancia bihemisférica para el reconocimiento de emociones por ejemplo.
Neurocomputación 448:140–151
196. Alhagry S, Fahmy AA, El­Khoribi RA (2017) Reconocimiento de emociones basado
en eeg utilizando la red neuronal recurrente lstm. Emoción 8(10):355–358
197. Salama ES, El­Khoribi RA, Shoman ME, Wahby Shalaby MA
(2018) Reconocimiento de emociones basado en Eeg utilizando convolucional 3D
Redes neuronales. Int J Adv Comput Sci Appl 9(8):329–337
198. Kung FYH, Chao MM (2019) El impacto de las emociones encontradas en
Creatividad en la negociación: una perspectiva interpersonal. Frente
Psicología 9:2660
199. Zheng W (2016) Reconocimiento de emociones basado en eeg multicanal
a través del análisis de correlación canónica dispersa del grupo. Transacciones
IEEE sobre sistemas cognitivos y de desarrollo 9(3):281–290
200. Hadjidimitriou SK, Hadjileontiadis LJ (2012) Hacia un reconocimiento del gusto por
la música basado en eeg mediante análisis de tiempo­frecuencia.
IEEE Trans Biomed Eng 59(12):3498–3510
201. Jenke R, Peer A, Buss M (2014) Extracción y selección de características
para el reconocimiento de emociones de eeg. Computación de efecto trans IEEE
5(3):327–339
202. Chatterjee R, Tanmoy Maitra SK, Islam H, Hassan MM, Alamri
A, Fortino G (2019) Una nueva característica basada en el aprendizaje automático
selección de imágenes motoras, clasificación de señales eeg en internet
del entorno de cosas médicas. Sistema de Computación Futur Gener
98:419–434
203. Moreira MWL, Rodrigues JJPC, Kumar N, Saleem K, Illin IV
(2019) Predicción de la depresión posparto a través del embarazo.
Análisis de datos para sistemas inteligentes conscientes de las emociones. Información
Fusión 47:23–31
Nota del editor Springer Nature se mantiene neutral con respecto a
reclamaciones jurisdiccionales en mapas publicados y afiliaciones institucionales.
123