Documentos de Académico
Documentos de Profesional
Documentos de Cultura
s00521022072924(0123456789().,volV)(0123456789(). , volV)
REVISAR
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
123
Machine Translated by Google
El objetivo básico de una BCI es detectar y evaluar las características de Se utiliza principalmente en el campo de la informática afectiva y como
las señales en el cerebro del usuario que indican la intención del usuario. forma de asistencia a personas paralizadas. Los sistemas de ortografía,
Estas características luego se transmiten a un dispositivo externo que se la neuroergonomía médica, el control de sillas de ruedas, la realidad
ejecuta para cumplir la intención deseada del usuario [1]. Como se virtual, el control de robots, el monitoreo de la carga de trabajo mental,
muestra en la Fig. 1, para lograr este objetivo, un sistema basado en BCI los juegos, el monitoreo de la fatiga del conductor, la gestión ambiental,
tiene cuatro componentes secuenciales: adquisición de señales, los sistemas biométricos y la detección de emociones se encuentran
preprocesamiento, traducción y retroalimentación o salida del dispositivo. entre los éxitos más significativos de las BCI basadas en EEG . 7].
La adquisición de señales, el primer componente de BCI, es el
principal responsable de recibir y registrar las señales producidas por la 1.2 Reconocimiento de emociones
actividad neuronal, así como de enviar estos datos al componente de
preprocesamiento para mejorar la señal y reducir el ruido. Los métodos En los últimos años, debido a la creciente disponibilidad de diversos
de adquisición de señales cerebrales se pueden clasificar en invasivos y dispositivos electrónicos, las personas pasan más tiempo en las redes
no invasivos. En los métodos invasivos, los electrodos se colocan sociales, jugando videojuegos en línea, comprando en línea y utilizando
neuroquirúrgicamente dentro o en la superficie del cerebro del usuario. otros productos electrónicos. Sin embargo, la mayoría de los sistemas
La actividad cerebral se registra mediante sensores externos con modernos de interacción entre humanos y computadoras (HCI) son
tecnología no invasiva [3]. Después del preprocesamiento, los diferentes incapaces de procesar y comprender datos emocionales y carecen de
caracteres importantes de la señal (como la característica de la señal inteligencia emocional. Son incapaces de reconocer las emociones
relacionada con la intención del usuario) se extraen de datos irrelevantes humanas y utilizar datos emocionales para tomar decisiones y actuar. En
y se presentan de una manera que permite traducirlos en instrucciones los sistemas HCI inteligentes avanzados, resolver la ausencia de relación
de salida. Este componente crea características selectivas para la señal entre humanos y robots es crucial. Cualquier sistema HCI que ignore los
mejorada, reduce el tamaño de los datos que se pueden enviar al estados emocionales humanos no podrá responder adecuadamente a
algoritmo de traducción y luego convierte los caracteres en las esas emociones. Para abordar esta dificultad en los sistemas HCI, las
instrucciones relevantes que el máquinas deben poder comprender e interpretar los estados emocionales
humanos. Se requiere un sistema de reconocimiento de emociones
El dispositivo externo necesita completar la tarea (por ejemplo, confiable, preciso, flexible y potente para realizar sistemas HCI inteligentes
instrucciones que completan la intención del usuario). El dispositivo de [8].
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 Debido a que la HCI se estudia en varias disciplinas, incluidas la
ruedas, mover un brazo robótico y mover una extremidad paralizada con informática, la ingeniería de factores humanos y la ciencia cognitiva, la
una neuroprótesis. Las computadoras son actualmente el dispositivo de computadora que impulsa un sistema inteligente de HCI debe ser
salida más utilizado para la comunicación [4]. adaptable. Para generar respuestas apropiadas, los patrones de
comunicación humana deben comprenderse con precisión. La capacidad
La electroencefalografía (EEG) que utiliza electrodos insertados de una computadora para comprender las emociones y el comportamiento
externamente puede medir la actividad neuronal útil para una BCI y es humanos es un componente crítico de su adaptabilidad. Por lo tanto, es
segura, económica, no invasiva, fácil de usar, portátil y mantiene una alta fundamental reconocer los estados afectivos del usuario para maximizar
resolución temporal [5]. Debido a que un usuario puede emplear EEG en y mejorar el rendimiento de los sistemas HCI.
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 En un sistema HCI, la interacción entre la máquina y el operador se
realizado contribuciones en una variedad de campos, incluidos la puede mejorar para hacerla más inteligente y fácil de usar si la
educación, la medicina, la psicología y los asuntos militares [6]. Ellos son computadora puede comprender con precisión el estado emocional del
operador humano en tiempo real. esta nueva
123
Machine Translated by Google
El área de investigación se llama computación afectiva (AC). AC es un área Las emociones discretas comprenden nueve emociones básicas: interés
de inteligencia artificial que se centra en HCI mediante la detección del excitación, sorpresasobresalto, disfrutealegría, angustiaangustia, mal
afecto del usuario. Uno de los objetivos clave del dominio AC es crear humor, miedoterror, iraira, despreciodisgusto y vergüenzahumillación.
formas para que las máquinas interpreten las emociones humanas, lo que Se cree que estos nueve básicos.
puede mejorar su capacidad de comunicación [9]. Las emociones juegan un papel importante en una salud mental óptima.
El modelo de Ekman [22] se basa en otra teoría bien aceptada. Según
El comportamiento, el habla, las expresiones faciales y las señales Ekman, las emociones básicas deben incluir las siguientes características:
fisiológicas pueden utilizarse para identificar las emociones humanas [1012]. (1) las emociones son instintivas; (2) varias personas desarrollan la misma
Los primeros tres enfoques son algo subjetivos. Por ejemplo, los sujetos emoción en la misma situación; (3) varias personas expresan emociones
investigados pueden ocultar intencionadamente sus sentimientos genuinos, básicas de maneras comparables; (4) los patrones fisiológicos de diversas
lo que podría afectar su desempeño. La identificación de emociones personas son constantes cuando se producen emociones básicas. Ekman
basada en señales fisiológicas es más fiable y objetiva [13]. y sus colegas determinaron que había seis emociones principales
universalmente reconocibles por la expresión facial: tristeza, sorpresa,
Las BCI son tecnologías de sensores portátiles no invasivos que felicidad, disgusto, miedo e ira. A partir de estas seis emociones básicas
capturan señales cerebrales y las utilizan como entradas para sistemas que se pueden generar otras emociones compuestas (no básicas), como la
comprenden la correlación entre las emociones y los cambios de EEG para timidez, la culpa y el desprecio. Muchos teóricos y psicólogos han incluido
humanizar las HCI [14]. El sistema nervioso central genera señales EEG, en sus conjuntos de emociones básicas emociones adicionales que no
que responden a los cambios emocionales más rápidamente que otras estaban incluidas en las seis de Ekman. Algunos dividieron las emociones
señales neuronales periféricas. Además, se ha demostrado que las señales en pequeños grupos [2328], centrándose en sentimientos generales, como
EEG proporcionan características esenciales para el reconocimiento el miedo o la ira (como emociones negativas) y la felicidad o el amor (como
emocional [15]. emociones positivas). Otros se centraron en matices más sutiles y dividieron
las emociones en grupos más grandes. La Tabla 1 resume algunos de los
1.3 Perspectiva científica de la emoción modelos de emociones más básicos.
123
Machine Translated by Google
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. Adoptan el modelo a seguir de los personajes del juego, y esto
tiene un efecto similar sobre las emociones de los individuos.
emociones de valencia positiva (HAPV) que van desde
contento a emocionado. El área 2 comprende alta excitación negativa.
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. está compuesto por 1200 fotografías divididas en 20 grupos de
emociones (activas), mientras que las dos últimas zonas indican bajas 60 imágenes. A cada fotografía se le asigna una valencia y
excitación (inactiva) de emociones. valor de excitación. La edición más reciente de IADS incluye 167
sonidos naturales grabados digitalmente que son comunes en
1.3.3 Modelos de provocación de emociones 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
situaciones cotidianas o situaciones más interactivas. Como resultado, son y evaluación del desempeño para problemas de reconocimiento de emociones.
bienvenidas más investigaciones que involucren estímulos emocionales La Sección 4 describe bases de datos públicas de datos de EEG para
interactivos para garantizar la generalización de los resultados del BCI. Hasta información emocional y presenta información general sobre enfoques de
donde sabemos, solo unos pocos estudios han empleado situaciones más aprendizaje profundo y automático. La sección 5 presenta estudios
interactivas para producir emociones, como individuos jugando o usando relacionados que analizan técnicas de aprendizaje automático y profundo
simuladores de vuelo. 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.
1.4 Motivaciones y principales aportes
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?
123
Machine Translated by Google
El lóbulo parietal y el lóbulo temporal son las cuatro áreas de la corteza base objetiva para detectar algunas enfermedades. En neuroingeniería,
cerebral. Las funciones de estas cuatro áreas se des las personas discapacitadas pueden utilizar señales EEG producidas por
tinte. El lóbulo frontal se coloca antes del surco central del cerebro. Está imágenes en movimiento o por la mente para controlar sillas de ruedas o
a cargo de las actividades cognitivas superiores. El lóbulo prefrontal, el extremidades robóticas. Este es un tema popular en este momento que
área de movimiento frontal y el área de movimiento primario forman parte se conoce como interfaz cerebrocomputadora (BCI). El análisis y
de él. Se encargan principalmente de la planificación, el pensamiento y procesamiento de señales EEG siempre resulta problemático en la
las funciones fisiológicas asociadas a las emociones y necesidades de investigación del cerebro debido a la no estacionariedad de los datos EEG
una persona. Detrás del surco central y justo delante de la fisura occipital y a las numerosas influencias ambientales.
se encuentra el lóbulo parietal. Es un centro sensorial del más alto nivel.
Es principalmente responsable de la integración de la información 2.2.2 Conceptos básicos del EEG
123
Machine Translated by Google
disminuye mientras que la frecuencia Beta aumenta, y la onda Alfa se convierte a través del tono de voz, la expresión facial y los cambios fisiológicos de
progresivamente en una onda Beta. Cuando la corteza cerebral parece estar nuestro sistema nervioso. Debido a que las expresiones faciales y la voz
en estado beta, normalmente significa que está excitada. Las ondas gamma pueden ser falsificadas o no pueden considerarse como resultado de una
se encuentran con determinada emoción, no son predictores confiables de emoción. Como el
diferentes redes corticales sensoriales y no sensoriales. La amplitud suele ser usuario no tiene control sobre las señales fisiológicas, estas son más precisas.
inferior a 2 lV. Están asociados con tareas y funciones cognitivas cerebrales Las fuentes fundamentales de emoción en nuestro cuerpo son los cambios
de alto nivel como la recepción, procesamiento, integración, transmisión y fisiológicos.
retroalimentación de información en el tronco encefálico, así como con Los cambios fisiológicos se pueden dividir en dos categorías: los que afectan
actividades que exigen mucha atención (concentración). 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
Se observan con frecuencia durante el procesamiento sensorial multimodal [5, el centro de control de todo lo que hay en nuestro cuerpo y los cambios en la
6, 8, 13]. actividad eléctrica se traducen en diversas acciones y emociones. El
electroencefalograma (EEG) es una prueba que mide los cambios eléctricos
2.2.3 Características de la señal EEG en el cerebro. El EEG se describe como una actividad eléctrica de tipo alterno
registrada desde la superficie del cuero cabelludo utilizando electrodos
La señal EEG es una representación directa de la actividad cerebral y es útil metálicos y un medio conductor [42].
en el estudio de los fenómenos fisiológicos del cerebro humano. Las siguientes
son sus características principales [6, 8]
EEG contiene una gran cantidad de información útil sobre el
1. Las grabaciones de EEG suelen ser ruidosas y sensibles a las interferencias
los numerosos estados fisiológicos del cerebro. Responde con mayor rapidez
del entorno. Generalmente se mezclan con otras señales (incluidos EOG,
y sensibilidad a los cambios en los estados afectivos y, por tanto, es una
ECG y EMG), interferencias, artefactos y ruidos.
herramienta particularmente valiosa para comprender los estados emocionales
humanos. La región de baja frecuencia evoca EEG emocional más plenamente
2. Las señales EEG se pueden clasificar en espontáneas o evocadas. Durante
que la banda de alta frecuencia, y las emociones negativas están más
el proceso de adquisición de señales, varias señales fisiológicas
extendidas e intensas que las positivas [6]. En presencia de emociones alegres,
periféricas inevitablemente afectarán el EEG espontáneo o los potenciales
tristes y aterradoras, la potencia promedio de las ondas Beta, Alfa y Theta en
evocados. Las señales de EEG son muy no lineales debido a la
la línea media del cerebro será dramática.
adaptación de los tejidos humanos o a la regulación fisiológica.
Las dos formas de ondas EEG se clasifican comúnmente en espontáneas y El algoritmo de selección de características clasifica todos los electrodos según
evocadas. El sistema nervioso produce una fluctuación rítmica del potencial su grado de importancia, y luego la importancia de los electrodos se ilustra
sin ningún estímulo externo, lo que se conoce como EEG espontáneo. Los utilizando un mapa topográfico del cerebro, lo que permite un reconocimiento
potenciales evocados son cambios potenciales mensurables en la corteza más fácil de las regiones del cerebro donde se distribuyen los electrodos con
cerebral como resultado de la excitación/estimulación externa del ser humano. un rango más alto. .
órganos sensoriales. Según ciertos investigadores que estudian la conectividad cerebral funcional
basándose en EEG, existe una correlación entre los estados emocionales y
2.3 Señales EEG en el reconocimiento de emociones áreas específicas del cerebro.
Según Ekman y Davidson [45], las porciones frontales izquierdas del cerebro
Necesitamos comprender las fuentes de las emociones en nuestros cuerpos
se activan con el disfrute. Los autores en [46] integraron la red de conexión
para poder enseñarle a la computadora a comprenderlas y reconocerlas. Las funcional con activación local para representar la actividad de partes locales
emociones se pueden expresar verbalmente, como a través de palabras del cerebro que reaccionan a las emociones y reflejan
conocidas, o de forma no verbal, como
123
Machine Translated by Google
las interacciones entre áreas críticas del cerebro. Otro estudio descubrió que El sistema internacional de colocación de electrodos 1020 se utiliza en la
cuando los individuos adoptaban emociones de miedo, su actividad frontal mayoría de los experimentos de emoción EEG. El número de electrodos varía
izquierda disminuía [47]. Las emociones placenteras se asocian con un de seis a 62. Según la Fig. 6 [8], se encontró que los electrodos de EEG que
aumento del poder de la banda theta en la línea media frontal, mientras que están vinculados a las emociones eran
las emociones desagradables se asocian con lo contrario [48]. Estos estudios Distribuidos principalmente en el lóbulo frontal (rojo), el lóbulo parietal (verde),
revelan una correlación entre los cambios en las emociones y las características el lóbulo occipital (azul), el lóbulo temporal (amarillo) y en la zona central
de las señales EEG correspondientes, lo que es más útil para investigar la (cuadrados). Las regiones frontal polar, frontal anterior, frontal, central frontal,
clasificación de las emociones de las señales EEG. Esto también proporciona temporal, parietal y occipital del cerebro se abrevian FP, AF, F, FC, T, P y O,
una base neurofisiológica para detectar emociones a partir de datos de EEG. 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
3 Metodología de reconocimiento de emociones de los cálculos se puede reducir, haciendo que el experimento sea más
BCI basada en EEG sencillo y fácil de realizar.
adquisición más común en la investigación contemporánea de BCI. Las rendimiento de los sistemas de detección de emociones.
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 Para reducir los artefactos en las señales de EEG recopiladas, se pueden
mercado varios dispositivos BCI de bajo coste basados en EEG [49]. 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
Los objetivos de la investigación difieren; por lo tanto, en los experimentos ingenieros eléctricos), los filtros Butterworth y los filtros de muesca son algunos
de EEG que se centran en el reconocimiento de emociones, las señales de de los filtros más utilizados.
EEG recopiladas difieren al igual que el número y la ubicación de los electrodos. Las frecuencias entre 1 y 50–60 Hz se filtran utilizando
123
Machine Translated by Google
123
Machine Translated by Google
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
,
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
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
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
(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
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
Fig. 7 Gráfico circular de los dominios de las características utilizadas en los estudios
discutidos en esta revisión. 3.3.3 Análisis en el dominio tiempofrecuencia
extraer características basadas en el tiempo. Además, existen características Los métodos anteriores utilizan las características del EEG en el dominio del
estadísticas como media, potencia, máximo, mínimo, mediana, desviación tiempo o de la frecuencia, respectivamente, como criterio de detección.
estándar, asimetría, varianza, energía relativa de la banda, curtosis , etc. Estos métodos se basan en el supuesto de que las señales de EEG son
Las características geométricas de las señales de EEG son el punto de lineales y casi estacionarias, es decir, se supone que el contenido de
partida para el análisis en el dominio del tiempo, y el analizador de EEG frecuencia de las señales de EEG es constante durante la ventana de
puede analizarlas estadísticamente con precisión e intuición. análisis. Sin embargo, investigaciones recientes han revelado que las
señales de EEG tienen características no estacionarias. El análisis en el
Las características de este dominio comprenden datos de EEG con una dominio del tiempo de una señal, utilizando técnicas basadas en
pérdida mínima de información. Sin embargo, debido a la complicada forma características como amplitud, duración, varianza y autocorrelación, no es
de onda de los datos de EEG, no existe un método común para analizar las adecuado para analizar una señal no estacionaria como la señal EEG de un
características en el dominio del tiempo de las señales de EEG. adulto.
Por lo tanto, los analistas de EEG deben tener una amplia experiencia y El análisis de una señal no estacionaria requiere información sobre la
conocimientos. distribución de energía en diferentes frecuencias y las variaciones de
frecuencia a lo largo del tiempo. Esta información no la proporcionan ni las
3.3.2 Análisis en el dominio de la frecuencia 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
Se ha demostrado que las funciones en el dominio de la frecuencia tienen desventaja de que toda la información temporal se pierde durante la
más éxito para la identificación automática de emociones mediante EEG formación del espectro. Debido a estas limitaciones, se han desarrollado
que las funciones en el dominio del tiempo. Los métodos de análisis en el herramientas alternativas para representar las señales conocidas como
dominio de la frecuencia convierten señales de EEG en el dominio del dominio tiempofrecuencia.
tiempo en señales en el dominio de la frecuencia para evaluar y extraer La técnica de análisis en el dominio de tiempofrecuencia combina
características del dominio de la frecuencia. La señal de EEG generalmente información de los dominios de tiempo y frecuencia y permite un análisis
se divide en varias subbandas y se recuperan para su análisis localizado en el dominio de tiempofrecuencia. Como resultado, las
características como la densidad espectral de potencia (PSD), el espectro características en el dominio del tiempofrecuencia son muy adecuadas
de energía logarítmica, el espectro de orden superior (HOS) y la entropía para capturar señales no estacionarias y variables en el tiempo, que
diferencial (DE). El método más común para realizar análisis de frecuencia pueden usarse para caracterizar diversos estados emocionales. lo mas
es aplicar la transformada rápida de Fourier (FFT) directamente a un Un enfoque ampliamente utilizado en el análisis tiempofrecuencia es la
segmento corto de EEG [93, 94]. transformada Wavelet [96]. La transformada de Fourier de corto tiempo
(STFT) [6], la transformada de Hilbert Huang (HHT) [97] y la transformada
3.3.2.1 Entropía diferencial La entropía diferencial (DE) es el espectro de de paquetes wavelet (WPT) [98] también son enfoques esenciales de análisis
energía logaritmo en una banda de frecuencia particular para una secuencia en el dominio del tiempofrecuencia.
de EEG de longitud fija [95]. Al igual que la entropía para evaluar la
complejidad de variables aleatorias continuas, DE se puede representar 3.3.3.1 Transformada wavelet La transformada wavelet (WT) es un método
como: de procesamiento de señales para tratar señales no lineales y no
estacionarias. Una característica importante de WT es que en frecuencias
fðyÞlogðfðyÞÞdy altas proporciona información de tiempo perfecta y en frecuencias más bajas
DE¼Z ð3Þ
y proporciona información de frecuencia perfecta. Debido a que las señales
en las aplicaciones de detección de emociones normalmente comprenden
f(y) es la función de densidad de probabilidad de y, donde y es una variable
datos de baja frecuencia con una duración prolongada y datos de alta
aleatoria. Los experimentos revelan que después del filtrado de paso de
frecuencia con una duración corta, esta característica es significativa. Otro
banda, una serie de bandas de subfrecuencia de señales de EEG
beneficio
123
Machine Translated by Google
de la transformada wavelet es que permite una transformación más flexible Estas técnicas simplifican la complejidad del problema; sólo las características que
Representación tiempofrecuencia de una señal mediante el uso de ventanas de contienen información significativa se pasan a un clasificador. Seleccionar una
análisis de variados tamaños, lo que permite un análisis selectivo durante la técnica adecuada de selección y reducción de características puede aumentar tanto
extracción de características para reconocer diferentes emociones y aumenta el la eficiencia del entrenamiento del modelo como la precisión de la predicción.
sistema de clasificación de desempeño. El análisis multiescala de la señal EEG
mediante WT permite que la señal EEG proporcione detalles y aproximaciones en La selección de funciones es una técnica para eliminar de manera eficiente una
varias escalas de ondas. La descomposición de ondas de la señal EEG produce un gran cantidad de funciones innecesarias (o redundantes) basándose en criterios de
conjunto de coeficientes de ondas en varias escalas. Estos coeficientes se pueden utilidad particulares para obtener los mejores resultados con la menor cantidad de
utilizar como conjunto de características de una señal para su clasificación porque procesamiento de datos.
pueden caracterizar completamente las características de la señal. La función Los enfoques de selección de características también reducen la posibilidad de
wavelet wðtÞ está definida sobreajuste si el conjunto de datos incluye muchas características pero no hay
suficientes observaciones. Al extraer información crucial de un conjunto de datos,
como sigue: la reducción de características/dimensionalidad busca transformar datos de alta
1 tuberculosis
dimensión en una representación comprensible de dimensiones inferiores [108].
wðtÞ ¼ wap ffiffiffi
1 1 tuberculosis
lo cual mejora el rendimiento (o la generalización) de la predicción del modelo.
xðtÞ w dt
ð6Þ
ffiffiffiffiffi
CWTða; bÞ ¼ Z a
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 Los métodos comunes para la reducción de características/dimensionalidad del
de dos, conocidas como escalas y posiciones diádicas. El DWT, que se describe a EEG son el análisis de componentes principales (PCA) [110, 111], el análisis
continuación, proporciona dicho 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
1 1 t 2j k wð
xðtÞ Þdt 2j tiempo y el espacio. Aquí, el objetivo es representar datos en un espacio que refleje
ð7Þ
ffiffiffiffiffiffi
DWTðj; kÞ ¼ Z j2j jp
1 con precisión la varianza en términos del error de la suma al cuadrado. Se puede
encontrar información adicional en la literatura [112]. ICA convierte una señal
donde 2j y 2j k se sustituyen por a y b, respectivamente.
multivariada y aleatoria en una señal con componentes mutuamente independientes.
A partir de señales mixtas, este enfoque se puede utilizar para extraer componentes
3.3.4 Análisis de características no lineales
independientes. Aquí, independencia significa que la información proporcionada por
un componente no puede derivarse de los demás. Los detalles se dan en [112,
Las señales de EEG son muy complejas y tienen propiedades no lineales y no
113]. El objetivo de LDA es producir una nueva variable que incorpore los predictores
periódicas que pueden estudiarse mediante análisis dinámico no lineal. En los últimos
originales. Esto se realiza maximizando las diferencias en la nueva variable entre
años, existen muchos métodos de análisis no lineal que se han vuelto populares en
los grupos predefinidos. La idea es integrar las puntuaciones de predicción en una
el análisis de datos de EEG [100102]. Entre los métodos dinámicos no lineales se
única variable compuesta nueva conocida como puntuación discriminante. Los
encuentran la entropía de permutación [103], la entropía aproximada [104], la
detalles se dan en [112].
entropía de descomposición de valores singulares, la entropía del espectro de
potencia [105] y la entropía de muestra [106].
123
Machine Translated by Google
como el aprendizaje profundo. Los métodos envolventes requieren más cálculos debido a su simplicidad y éxito en diferentes aplicaciones,
que el método integrado. para ordenar las características. Los métodos de clasificación puntúan cada característica
La Tabla 3 muestra la selección y reducción de características. en función de su relevancia y utilizar un umbral para eliminar características.
métodos utilizados en los estudios discutidos en esta revisión. La figura 8 presenta temperaturas por debajo del umbral. Porque se usan antes.
el porcentaje de uso de la selección de funciones. clasificación para filtrar las variables menos importantes,
y métodos de reducción que se han utilizado en los distintos Los métodos de clasificación son métodos de filtrado. Varias medidas
estudios revisados en este trabajo. El 56% de estos estudios no y en varias publicaciones se han presentado definiciones de la relevancia de una
Utilice un método de selección o reducción de características. Incorporado variable [119, 120]. Uno de estos
Los métodos que operan internamente en algoritmos de clasificación como el definiciones es que ''Si una característica es condicionalmente independiente
aprendizaje profundo se utilizan con frecuencia (37%), seguidos de métodos de de las etiquetas de las clases, se considera irrelevante''. El
reducción (p. ej., PCA e ICA), filtrado La relevancia de las características se medirá mediante diferentes técnicas, como
métodos (p. ej., mRMR) (25 % de cada uno) y envoltorio el coeficiente de correlación de Pearson del
métodos (p. ej., PSO) (13%). Más detalles sobre el filtro 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
Tabla 3 Métodos de selección y reducción de características utilizados en los estudios. La mayoría de los algoritmos de filtrado son univariados, es decir.
cubierto en esta revisión (20152021) consideran cada característica de entrada individualmente, de modo que cada
Una característica puede ser autoevaluada e independiente de las demás.
Referencias Selección/reducción de características
Esto puede llevar a dos problemas: características descartadas porque
[63] PCA no son individualmente relevantes pueden volverse relevantes cuando
[55, 67] mRMR combinado con otros y características que se consideran
[58] ICA individualmente según sea relevante puede resultar en despidos innecesarios. El
[68] codificador automático método de filtrado más utilizado es el wavelet.
[59] BSS transformar
123
Machine Translated by Google
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
123
Machine Translated by Google
123
Machine Translated by Google
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
gusto
MAHNOBHCI 27 32 Fragmentos de vídeos Excitación y valencia calificadas con
y miedo)
AMIGOS [136] 40 14 películas vídeos cortos y largos. Excitación, valencia, dominio, agrado,
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
en el clasificador para validar el rendimiento de un algoritmo aprendido. El un margen de separación de datos adecuado (es decir, vectores de
aprendizaje no supervisado, por otro lado, es una técnica de aprendizaje soporte) [150].
automático que determina parámetros en función de datos de entrada y
una función de costos que debe reducirse. En los últimos años se han 4.2.2 Red neuronal artificial
123
Machine Translated by Google
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].
Fig.12 Modelo de una neurona artificial.
Obtenemos el resultado final en función del valor disparado por el nodo. El bosque aleatorio (RF) [160] es un enfoque de conjunto sofisticado que
Luego, con la ayuda de las funciones de error, calculamos las diferencias utiliza un bosque de árboles de decisión para realizar clasificaciones y
entre las salidas predichas y reales y, usando retropropagación, modificamos regresiones durante el entrenamiento. Se basa en el concepto de algoritmo
los pesos de la red neuronal. de ensacado. Puede manejar grandes cantidades de datos porque solo
emplea un subconjunto de características al crear árboles de decisión. Se
Hay muchos tipos y arquitecturas diferentes de redes neuronales, cada necesita una fracción del tiempo para entrenar en comparación con otros
una con una diferencia básica en la forma de aprender; están bien descritos clasificadores [161]. Random Forest es una técnica de clasificación popular
en la literatura [151, 152]. Entre estas arquitecturas se encuentran la red debido a todas estas cualidades. La votación de todos los árboles de
neuronal de perceptrón multicapa (MLPNN) y la máquina de aprendizaje decisión determina el resultado final de RF [162]. A continuación se explica
extrema (ELM). paso a paso el modelo de trabajo de RF:
123
Machine Translated by Google
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
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
4.2.6 Bayes ingenuo tiempo y ser tediosa, pero tiene una influencia significativa en el
rendimiento de los modelos de aprendizaje automático. Las
Un clasificador ingenuo de Bayes (NB) es un algoritmo de características superficiales creadas a mano suelen ser específicas de
clasificación probabilística que se basa en el teorema de un dominio, lo que dificulta su reutilización en otros problemas.
Bayes con supuestos de alta independencia [167, 168]. El Las técnicas clásicas de ingeniería de características y aprendizaje
clasificador NB supone que la presencia (o ausencia) de una automático pueden tener dificultades para extraer patrones complicados
característica en una clase no influye en la presencia (o y no lineales a partir de datos de series temporales con varias variables.
ausencia) de otras características. El clasificador NB supone Además, seleccionar las características más importantes de un gran conjunto
que la presencia (o falta) de una característica en una clase 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
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 red neuronal recurrente (RNN) con redes de memoria a largo plazo
conocimientos neurofisiológicos. Hinton y Salakhutdinov [173] hicieron (LSTM) como tipo especial y red neuronal convolucional (CNN), que se
una contribución significativa a la extracción de características en 2006, a emplean ampliamente como métodos de clasificación; los describiremos
la que se ha seguido en años posteriores [174177]. Según diversas brevemente en las siguientes secciones.
investigaciones [178–180], las NN multicapa se pueden utilizar para
representar y aprender características utilizando metodologías iterativas
o no iterativas. 4.3.1 Red neuronal recurrente
Las redes neuronales profundas se utilizan en técnicas de DL para La red neuronal recurrente (RNN) es un método de aprendizaje profundo
extraer características relevantes mediante la aplicación de representación para procesar datos secuenciales de longitud variable, como datos de
de datos de alto nivel. La capacidad de tratar directamente con datos sin series temporales (sensores), sonido o lenguaje natural escrito. Está
procesar y automatizar la extracción y selección de características es un formado por redes neuronales feedforward conectadas cíclicamente.
aspecto atractivo de los enfoques de DL. La red se alimenta con muestras Aprovecha las correlaciones temporales entre los datos en diferentes
de series temporales y se crea una representación oculta de las entradas momentos para mapear el historial completo de entradas en la red y
de la capa anterior después de cada transformación no lineal, lo que da anticipar cada salida.
como resultado una estructura de representación de datos jerárquica.
Para decirlo de otra manera, en un paradigma de red profunda, cada capa En una red neuronal estándar, todas las entradas (y salidas) se
toma los resultados de la capa anterior y utiliza un mapeo no lineal para consideran independientes entre sí. RNN es un tipo de red neuronal que
convertirlos en un nuevo conjunto de características. tiene conexiones cíclicas y puede aprender datos secuenciales temporales.
Las redes RNN pueden captar patrones temporales que son dinámicos
Recientemente, los algoritmos de aprendizaje profundo como el y guardar información gracias a que cada capa oculta tiene bucles de
autoencoder, la red de creencias profundas (DBN), la red neuronal retroalimentación internos. Varios nodos forman la capa oculta de un
convolucional y la red neuronal recurrente han generado un gran impacto RNN, que genera resultados en función de las entradas actualmente
en diferentes aplicaciones como el reconocimiento de voz, la visión por disponibles y los estados ocultos anteriores.
computadora, el reconocimiento de objetos, el procesamiento del
lenguaje natural y el procesamiento de máquinas. traducción. Se proponen El algoritmo de retropropagación a través del tiempo (BPTT) [185] se
y aplican diferentes modelos de arquitectura profunda a señales de EEG puede utilizar para entrenar RNN. Sin embargo, los RNN son difíciles de
y se lograron resultados comparables en comparación con otros métodos entrenar debido a problemas de gradiente explosivo y de desaparición,
convencionales [181184]. En los últimos años, DL se ha utilizado para lo que puede dificultar que la red retropague gradientes durante intervalos
construir arquitecturas de reconocimiento de emociones que pueden de tiempo prolongados [186, 187]. Esto restringe la cantidad de contexto
reconfigurarse debido a su capacidad para proporcionar abstracción de al que tienen acceso, lo cual es crucial para los datos de secuencia.
datos de alto nivel. Como resultado, la memoria a corto plazo (LSTM) y la unidad recurrente
En los últimos años, se han implementado varios modelos DL para de puerta (GRU) [187] han ganado popularidad como alternativas.
gestionar la clasificación de señales EEG para el reconocimiento de
emociones humanas. Entre estos métodos,
123
Machine Translated by Google
4.3.1.1 Red de memoria a largo plazo Las redes de memoria a largo consta de varios mapas de características. Las características locales
plazo (LSTM) son un tipo de red neuronal recurrente (RNN) con una de distintos puntos en el primero se extraen utilizando cada neurona
arquitectura única. del mismo mapa de características. Se aplica una función de activación
Hochreiter y Schmidhuber lo introdujeron en 1997 [188] para abordar la no lineal a las salidas de una operación lineal como la convolución. La
cuestión de la dependencia a largo plazo en las RNN. unidad lineal rectificada (ReLU) es la función de activación no lineal
Debido a que un RNN convencional se enseña mediante más utilizada en la actualidad y se utiliza para convertir operaciones
retropropagación a través del tiempo (BPTT) [185], aprender secuencias lineales en no lineales. La capa de agrupación se utiliza para minimizar
largas puede ser un desafío, lo que conduce al problema del gradiente la dimensión de los mapas de características y mejorar la solidez de la
de desaparición/explosión [186]. La celda RNN se sustituye por una extracción de características. Los valores de salida de la capa
celda cerrada, como una celda LSTM, para superar este problema. convolucionada también se seleccionan mediante un filtro deslizante
en la capa de agrupación. Las capas de agrupación media y máxima
Las celdas LSTM tienen un bloque de memoria y puertas que son las dos formas de capa de agrupación. La capa completamente
permiten que la información pase a través de la conexión LSTM. Hay conectada recibe todas las entidades que se han creado. La salida de
varias conexiones para entrar y salir por estas puertas. esta capa es una distribución de probabilidad para todas las clases. La
En los bloques de memoria, el estado temporal de la red se almacena capa completamente conectada es el resultado final de la clasificación.
en celdas de memoria con autoconexiones y el flujo de información Combina todas las neuronas de la capa anterior en una sola capa.
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 5 técnicas de reconocimiento de emociones humanas
una capa sigmoidea para elegir qué información del estado de la celda usando BCI basado en EEG
debe descartarse. La puerta de entrada es la segunda puerta que
incluye una capa sigmoidea para determinar qué valores se han En los últimos años se han publicado varios artículos de investigación
configurado para actualizar y una capa tanh para crear un vector de sobre el reconocimiento de emociones que emplean dispositivos BCI
valores recién actualizados. Finalmente, la salida del estado actual se para la recopilación de datos de EEG. Estos artículos utilizan varias
calculará utilizando la capa sigmoidea y el estado de celda actualizado. técnicas de aprendizaje automático y profundo. Según la base de datos
La capa sigmoidea determina qué aspectos del estado celular son scopus, la Fig. 14 muestra la cantidad de artículos de 2015 a 2021 que
definitivos. emplearon los clasificadores más utilizados: ANN, SVM, RF, KNN, NB
y aprendizaje profundo. En esta sección, discutiremos y revisaremos
4.3.2 Red neuronal convolucional algunas de las técnicas de aprendizaje profundo y automático más
extendidas para el reconocimiento de emociones EEG, como se
La red neuronal convolucional (CNN) es un tipo de red neuronal artificial muestra en las siguientes secciones.
profunda y de avance basado en la estructura
tura de la corteza visual de los animales y se utiliza más comúnmente 5.1 Métodos de aprendizaje automático para el reconocimiento de
para analizar imágenes. La suposición de que las entradas son emociones EEG
imágenes es obvia en las arquitecturas CNN, lo que nos permite
codificar atributos específicos en la arquitectura. Como resultado, la Se utilizan diferentes métodos de aprendizaje automático para clasificar
construcción de la función directa es más eficiente y el recuento de diferentes estados emocionales a partir de datos de EEG como apoyo.
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
Fig. 14 Número de publicaciones de 2015 a 2021 de los métodos de
convolución y las funciones de activación. La convolución es una forma aprendizaje profundo y automático más utilizados para el reconocimiento de
de proceso lineal que se utiliza para extraer características y emociones EEG basados en la base de datos Scopus.
123
Machine Translated by Google
Tabla 5 Resumen de los artículos de clasificación de emociones EEG que utilizan métodos tradicionales de aprendizaje automático entre 2015 y 2021
[68] DEAP y SEMILLA RF, KNN, DT Positivo, neutral (tranquilo) y negativo. DEAP: 62.63
SEMILLA: 74,85
2clase/Valencia, Valencia: 65
2clase/Dominancia Dominio: 63
y 2clase/Agrado. Gusto: 67
[70] DEAP SVM (RBF) 2clase/excitación, Excitación: 67,7
Valencia: 68
MAHNOBHCI:
Excitación: 67
Valencia: 70
[sesenta y cinco]
DEAP KNN 2clase/excitación, Excitación: promedio. 92,9
2clase/Valencia Valencia: promedio. 92,8
y armonía
[74] DEAP MLPNN HVHA, LVLA, HVLA y 93,8
LVHA
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
15 ilustra un gráfico del porcentaje de uso de varios métodos de aprendizaje se muestra en la Fig. 16, LSTM y sus derivados son los más utilizados y
automático utilizados para el reconocimiento de emociones EEG abordados en representan el 50% del total. CNN y sus derivados son los segundos más
esta revisión. populares y representan el 36% de los estudios. DBN y DNN son los menos
Según la Tabla 5, la precisión de clasificación de los métodos tradicionales populares, cada uno con una proporción del 7%.
El uso del KNN es similar al del DT, cada uno representa el 9%. Sólo el 5% de BCI para registrar señales de EEG y analizarlas utilizando algoritmos ML y DL
los investigadores elige NB. modernos para aplicaciones del mundo real de tecnología de detección de
emociones. Sin embargo, hay cuestiones sin resolver que es necesario abordar.
ELM es el menos utilizado, con aproximadamente un 4%. En promedio, los enfoques existentes para la detección de emociones utilizando
SVM, como representación de las técnicas clásicas de aprendizaje automático, señales de EEG produjeron precisiones de clasificación superiores al 80%, lo
tiene la ventaja de poder separar clases en un espacio de dimensiones que parece ser apropiado para aplicaciones prácticas; sin embargo, la precisión
superiores utilizando diferentes funciones del núcleo, y ha sido elegido durante del reconocimiento es única para cada aplicación y depende en gran medida
mucho tiempo por la mayoría de los investigadores. de los conjuntos de datos utilizados en el estudio. Los siguientes son algunos
Como resultado, ocupa el primer lugar en esta revisión en términos de frecuencia de los temas abiertos y direcciones para futuras investigaciones en el campo
de uso del algoritmo. del reconocimiento de emociones que se descubrieron durante esta revisión.
123
Machine Translated by Google
Tabla 6 Resumen de los artículos de clasificación de emociones EEG utilizando métodos DL de 2015 a 2021
y negativo
[192] Conjunto de datos propio DL con RBM Feliz, tranquila, triste, 68,4
y asustado
2clase/Valencia
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:
SOÑADOR:
AMIGOS:
SEMILLA: 88,5
[84] Conjunto de datos propio, DEAP LSTM Asco, tristeza, sorpresa. DEAP: 91.38 SEMILLA: 89.34
2 clase/gusto
[66] DEAP LSTM fusionado 2clase/excitación, Excitación 83,85 Valencia 84,89
2 clase/gusto
2 clase/Dominancia
Feliz
[85] SEMILLA y DGCNN Positivo, neutral y SEMILLA:
123
Machine Translated by Google
Tabla 6 (continuación)
2clase/Excitación, SOÑADOR:
2clase/Valencia
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 las dimensiones de valencia y excitación al mismo tiempo y luego
diferencias individuales pueden causar utilizar métodos de agrupación de datos para encontrar las clases
conjuntos de datos sean inconsistentes. reales de emoción.
3. Muchos estudios sólo consideraron una clasificación binaria de cada 2. Los componentes del sistema BCI basado en EEG, como la extracción
dimensión de la emoción. y selección de características, están en continua evolución.
4. En muchos estudios de reconocimiento de emociones, los investigadores Deberían basarse en una comprensión profunda de la fisiología y
examinaron los datos del EEG bajo diferentes estados emocionales la biología del cerebro. La creación de características distintivas
y descuidaron los datos del EEG de referencia (espontáneos). tiene el potencial de mejorar drásticamente los resultados de los
5. No se encontró en la literatura la detección de emociones mixtas sistemas de detección de emociones. Por ejemplo, las características
mediante EEG, como sentimientos agridulces, que integran del dominio del tiempo se mezclan con la frecuencia, las
influencias positivas y negativas percibidas al mismo tiempo. Las características de tiempofrecuencia y la ubicación del canal.
investigaciones para mejorar el desempeño creativo están ligadas a
estas emociones mixtas, por lo que son interesantes [198]. 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
Además de los puntos anteriores, en trabajos futuros se considerará lo
siguiente. clases requiere el desarrollo de modelos de emociones de
dimensiones superiores. Por ejemplo, el análisis acumulado de la
1. Tradicionalmente, las clases de emociones reales se han etiquetado información contextual del sujeto puede predecir la dimensión de la
en función de un umbral de datos de calificación subjetiva "postura" en un modelo de emoción tridimensional (es decir,
predeterminado. Desafortunadamente, es difícil determinar el umbral excitación, postura y valencia).
adecuado. Un enfoque novedoso es considerar 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.
123
Machine Translated by Google
conductividad de la piel y presión arterial) que son fáciles de medir, Financiamiento Financiamiento de acceso abierto proporcionado por la Autoridad de
mientras que la distinción del nivel de valencia requiere un análisis Financiamiento de Ciencia, Tecnología e Innovación (STDF) en cooperación con el
Banco Egipcio de Conocimiento (EKB).
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 Declaraciones
de características relevantes para la valencia de los datos del EEG
en una variedad de dominios de análisis (p. ej., tiempofrecuencia, Conflictos de intereses Los autores han declarado que no existen conflictos de
intereses. Intereses en competencia no financieros.
frecuencia, tiempo, entropía y multiescala). entropía).
123
Machine Translated by Google
9. Calvo RA, D'Mello S (2010) Detección de afectos: una revisión interdisciplinaria 37. Lang PJ, Bradley MM, Cuthbert BN et al (1997) Sistema internacional de
de modelos, métodos y sus aplicaciones. Computación de efectos trans IEEE 1 imágenes afectivas (iaps): manual técnico y calificaciones afectivas. Estudio del
(1): 18–37 Centro NIMH Emot Attent 1(39–58):3 38. Bradley MM, Lang PJ
10. Valery P (1999) Emoción en el habla: reconocimiento y aplicación a los call (1994) Medición de la emoción: el maniquí de autoevaluación y el diferencial
center. En: Actas de redes neuronales artificiales en ingeniería, volumen 710, semántico. J Behav Ther Exp Psychiatry 25(1):49–59 39. Zhou F, Xingda Q,
p. 22 11. Keith A, McOwan PW (2006) Jiao J, Helander MG (2014)
Un sistema automatizado en tiempo real para el reconocimiento de expresiones Predicción de emociones a partir de señales fisiológicas: un estudio de comparación
faciales humanas. IEEE Trans Syst Man Cybernet B (Cibernética) 36(1):96–105 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
12. Yin Z, Zhao M, Wang Y, Yang J, Zhang J (2017) Reconocimiento de emociones en señales neurofisiológicas y una máquina dinámica de aprendizaje extremo
mediante señales fisiológicas multimodales y un modelo de aprendizaje profundo profundo. Neurocomputación 283:266–281 41. Berger H (1929) U¨ ber das
conjunto. Programas de métodos informáticos Biomed 140:93–110 elektroenkephalogramm des menschen. Arch Psychiatr Nervenkr
87(1):527–570 42. Teplan M et al (2002) Fundamentos de la medición de eeg.
13. Torres EP, Torres EA, HernándezÁlvarez M, Yoo SG (2020)
Reconocimiento de emociones bci basado en Eeg: una encuesta. Sensores
20(18):5083 Measure Sci Rev 2(2):1–11 43.
14. He Z, Li Z, Yang F, Wang L, Li J, Zhou C, Pan J (2020) Zhao G, Zhang Y, Ge Y (2018) Asimetría frontal del eeg y diferencia de poder de la
Avances en el reconocimiento de emociones multimodal basado en interfaces línea media en emociones discretas. Front Behav Neurosci 12:225 44. Zheng
cerebrocomputadora. Brain Sci 10(10):687 15. WL, BaoLiang L
Xiaowei L, Bin H, Tingshao Z, Jingzhi Y, Fang Z (2009) (2015) Investigación de bandas y canales de frecuencia críticos para el
Hacia el aprendizaje afectivo con un enfoque de retroalimentación eeg. En: reconocimiento de emociones basado en EEG con redes neuronales profundas.
Actas del primer taller internacional de ACM sobre tecnologías multimedia para IEEE Trans Auton Ment Dev 7(3):162–175 45. Ekman P, Davidson RJ (1993)
el aprendizaje a distancia, págs. 33–38 16. Mauss IB, Robinson La sonrisa
MD (2009) Medidas de emoción: una revisión. voluntaria cambia la actividad cerebral regional. Psychol Sci 4(5):342–345 46. Li P,
Cogn Emot 23(2):209–237 17. Liu H, Si Y, Li C, Li F, Zhu X, Huang X, Zeng Y, Yao D, Zhang
Naji M, Firoozabadi M, Azadfallah P (2015) Clasificación de emociones durante la Y et al (2019) Reconocimiento de emociones basado en Eeg combinando
escucha de música a partir de bioseñales de la frente. SIViP 9(6):1365–1375 conectividad funcional de red y activaciones locales.
18. Paul E (1992)
¿Existen emociones básicas? Psychol Rev 19. Russell JA (1980) Un IEEE Trans Biomed Eng 66(10):2869–2881
modelo circumplejo de afecto. J Pers Soc Psychol 39(6):1161 47. Bhatti AM, Majid M, Anwar SM, Khan B (2016) Reconocimiento y análisis de
emociones humanas en respuesta a música de audio utilizando señales
20. Charles D (2015) La expresión de las emociones en el hombre y los animales. cerebrales. Comput Hum Behav 65:267–275 48. Lee YY, Hsieh S
University of Chicago Press, Chicago 21. Silvan T (1962) (2014) Clasificación de diferentes estados emocionales mediante patrones de
Conciencia de las imágenes del afecto: Volumen I: Los afectos positivos. Editorial conectividad funcional basados en eeg. PLoS ONE 9(4):e95415 49. Peterson
Springer 22. Ekman P, Oster H (1979) Expresiones V, Galva´n C, Herna
faciales de emoción. Annu Rev Psychol 30(1):527–554 23. Gray JA (1985) Un todo ´ndez H, Spies R (2020) Un estudio de viabilidad de un sistema completo de interfaz
y sus partes: comportamiento, cerebrocomputadora de bajo costo y apto para el consumidor. Heliyon
cerebro, cognición y emoción. Bull British Psychol Soc 24. Mowrer O (1960) Teoría 6(3):e03425 50. Wang Y, Jung TP (2012) Mejora de las
del aprendizaje y comportamiento. Asociación Estadounidense interfaces cerebrocomputadora mediante análisis de componentes independientes.
de Psicología, Washington 25. Watson JB, Kimble GA (2017) Conductismo. Rouledge, 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
Londres estudio preliminar. En: 2015 37ª Conferencia Internacional Anual de la
26. Gurney E (1884) ¿Qué es una emoción? Mind 9(35):421–426 27. Panksepp Sociedad de Ingeniería en Medicina y Biología (EMBC) del IEEE. IEEE, págs.
J (1982) Hacia una teoría psicobiológica general de las emociones. Comportamiento 1468–1471 52. Alhaddad MJ, Kamel M, Malibary H, Thabit K, Dahlwi F, Hadi A
Cerebro Ciencia 5 (3): 407–422 (2012) Eficiencia ortográfica P300 con
28. Weiner B, Sarah G (1984) Un enfoque atribucional para el desarrollo emocional. referencia promedio común. En: Congreso internacional sobre sistemas autónomos
Emot Cognit Behav 167–191 29. Arnold MB (1960) Emoción y e inteligentes. Springer, págs. 234–241 53. Li X, Fan H, Wang H, Wang L
personalidad. psiquiatra americano (2019) Patrones espaciales comunes combinados con información de
Asociación de psicología, Washington sincronización de fase para la
30. JohnsonLaird PN, Oatley K (1989) El lenguaje de las emociones: un análisis de clasificación de señales eeg. Control de procesos de señales biomédicas 52:248–256
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 54. Koelstra S, Muhl C, Soleymani M, Lee JS, Yazdani A, Ebrahimi T, Pun T, Nijholt
social A, Patras I (2011) Deap: una base de datos para el análisis de emociones;
ogía. Prensa de Psicología, Londres utilizando señales fisiológicas. IEEE Trans Affect Comput 3(1):18–31 55.
34. Whissell CM (1989) El diccionario del afecto en el lenguaje. En: La medición de Atkinson J, Campos D (2016)
las emociones. Elsevier, págs. 113131 35. Schlosberg H (1954) Mejora del reconocimiento de emociones basado en bci combinando la selección de
Tres dimensiones de la emoción. Psicólogo Rev características de eeg y clasificadores de kernel. Expert Syst Appl 47:35–41 56.
61(2):81 Chen J, Bin H, Moore P, Zhang X, Ma X (2015)
36. Yang W, Makita K, Nakao T, Kanayama N, Machizawa MG, Sasaoka T, Sugata Sistema de evaluación de emociones basado en electroencefalograma que utiliza
A, Kobayashi R, Hiramoto R, Yamawaki S et al (2018) Base de datos de técnicas de ontología y minería de datos. Computación suave de aplicaciones
estímulos auditivos afectivos: una versión ampliada de los sonidos afectivos 30:663–674
digitalizados internacionales (iadse).
Métodos de resolución de comportamiento 50 (4): 1415–1429
123
Machine Translated by Google
57. O¨ zerdem MS, Polat H (2017) Reconocimiento de emociones basado en 77. Pane ES, Wibawa AD, Purnomo MH (2019) Mejora de la precisión del
funciones eeg en clips de películas con selección de canales. Brain informatics reconocimiento de emociones eeg combinando la lateralización de valencia y el
4(4):241–252 aprendizaje conjunto con parámetros de sintonización.
58. Mert A, Akan A (2018) Reconocimiento de emociones basado en la distribución Cogn Process 20(4):405–417 78.
tiempofrecuencia de señales eeg mediante transformación de sincronización Joshi VM, Ghongade RB (2020) Idea: base de datos de intelecto para el análisis de
multivariada. Proceso de señal de dígitos 81:106–115 59. Kumar N, emociones utilizando señales de eeg. J King Saud UnivComput Inform Sci
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) 79. Yang J, Huang X, Hongkai W, Yang X (2020) Clasificación de emociones basada
Análisis de componentes independientes: algoritmos y aplicaciones. Neural Netw en EEG basada en una red bidireccional de memoria a corto plazo. Procedia
13(4–5):411–430 61. Papadelis C, Chen Z, KourtidouPapadeli C, Bamidis Comput Sci 174:491–504 80. Pandey P, Seeja KR (2019)
PD, Chouvarda I, Bekiaris E, Maglaveras N (2007) Monitoreo de la somnolencia con Reconocimiento de emociones independiente del sujeto a partir de eeg mediante
registros electrofisiológicos integrados para prevenir el sueño Accidentes de vmd y aprendizaje profundo. J King Saud UnivComput Inform Sci 81. Sharma
tráfico privados. Clin Neurophysiol 118(9):1906–1922 62. Asadi Ghanbari A, R, Pachori RB, Sircar P (2020)
Nazari Kousarrizi MR, Teshnehlab M, Aliyari M (2009) Un método evolutivo de Reconocimiento automatizado de emociones basado en estadísticas de orden
rechazo de artefactos superior y algoritmo de aprendizaje profundo. Biomed Signal Process Control
para la interfaz cerebrocomputadora utilizando ica. Int J Electr Comput Sci 9 (9): 58:101867 82. Wei C, Chen L, Song Z, Lou X, Li D (2020)
48–53 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
63. Iacoviello D, Petracca A, Spezialetti M, Placidi G (2015) Un algoritmo de emociones basado en mapas de características de eeg a través de una red de
clasificación en tiempo real para bci basado en eeg impulsado por emociones aprendizaje profundo. Int J Eng Ciencia y Tecnología
autoinducidas. Programas de métodos informáticos Biomed 122 (3): 293–303
84. Sakalle A, Tomar P, Bhardwaj H, Acharya D, Bhardwaj A (2021) Red de
64. Alakus TB, Gonen M, Turkoglu I (2020) Base de datos para un sistema de aprendizaje profundo basada en lstm para reconocer emociones mediante un
reconocimiento de emociones basado en señales eeg y varios juegos de sistema inalámbrico impulsado por ondas cerebrales. Expert Syst Appl
computadoragameemo. Control de procesos de señales biomédicas 60:101951 173:114516 85. Song
T, Zheng W, Song P, Cui Z (2018) Reconocimiento de emociones por Eeg mediante
65. Li M, Hongpei X, Liu X, Shengfu L (2018) Reconocimiento de emociones a partir redes neuronales convolucionales de gráficos dinámicos.
de señales eeg multicanal utilizando la clasificación de kvecino más cercano. Computación de efecto trans IEEE 11 (3): 532–541
Technol Health Care 26(S1):509–519 66. Garg A, Kapoor 86. Liu S, Wang X, Zhao L, Zhao J, Xin Q, Wang S (2020) Reconocimiento de
A, Bedi AK, Sunkaria RK (2019) Modelo lstm combinado para la clasificación de emociones independiente del sujeto de señales eeg basado en una red neuronal
emociones mediante señales eeg. En: 2019 Conferencia internacional sobre convolucional empírica dinámica. IEEE/ACM Trans Comput Biol Bioinform 87.
ciencia e ingeniería de datos (ICDSE). IEEE, págs. 139–143 67. Zheng WL, Zhu Hjorth B (1970) Análisis de Eeg basado
JY, BaoLiang L (2017) Identificación en propiedades en el dominio del tiempo.
de patrones estables a lo largo del tiempo para el reconocimiento de emociones a Electroencephalogr Clin Neurophysiol 29(3):306–310 88.
partir de eeg. Petrantonakis PC, Hadjileontiadis LJ (2009) Reconocimiento de emociones a partir
Computación de efecto trans IEEE 10 (3): 417–429 de eeg utilizando cruces de orden superior. IEEE Trans Inf Technol Biomed
68. Qing C, Qiao R, Xiangmin X, Cheng Y (2019) Reconocimiento de emociones 14(2):186–197
interpretables mediante señales de eeg. Acceso IEEE 7:94160–94170 89. Petrantonakis PC, Hadjileontiadis LJ (2010) Reconocimiento de emociones a
partir de señales cerebrales mediante filtrado adaptativo híbrido y análisis de
69. Gupta R, Falk TH et al (2016) Fusión de decisión del clasificador de vectores de cruces de orden superior. IEEE Trans Affect Comput 1(2):81–97 90. Shaw L,
relevancia y características teóricas de gráficos eeg para la caracterización Routray A (2016) Extracción de características estadísticas para el análisis de
automática del estado afectivo. Neurocomputación 174:875–884 70. Arnau patrones multivariados en meditación eeg utilizando pca. En: Conferencia
Gonza´lez P, ArevalilloHerra´ez M, Ramzan N (2017) Internacional de Estudiantes (ISC) IEEE EMBS 2016.
Fusionando características de conectividad y energía altamente dimensionales IEEE, págs. 1–4
para identificar estados afectivos a partir de señales de EEG. Neurocomputación 91. Liu Y, Sourina O (2014) Algoritmo de reconocimiento de emociones dependiente
244:81–89 del sujeto basado en Eeg que utiliza dimensión fractal. En: Conferencia
71. Chen T, Sihang J, Ren F, Fan M, Yu G (2020) Modelo de reconocimiento de internacional IEEE de 2014 sobre sistemas, hombre y cibernética (SMC). IEEE,
emociones Eeg basado en el clasificador libsvm. Medida 164:108047 págs. 3166–3171 92. Yuen CT, San
San W, Seong TC, Rizon M (2009) Clasificación de las emociones humanas a partir
72. Yin Z, Liu L, Chen J, Zhao B, Wang Y (2020) Selección de características de eeg de señales de eeg utilizando características estadísticas y redes neuronales. Int
localmente robusta para el reconocimiento de emociones independiente del J Integrat Eng 1(3)
individuo. Solicitud de sistema experto 162:113768 93. Murugappan M, Subbulakshmi M (2013) Reconocimiento de emociones humanas
73. Chakladar DD, Chakraborty S (2018) Clasificación de emociones basada en Eeg a través de señales de electroencefalograma (eeg) de corta duración utilizando
mediante selección de subconjuntos basada en correlación. Biol Inspired Cognit transformada rápida de Fourier (fft). En: 2013 9º coloquio internacional del IEEE
Architec 24:98–106 74. Salankar sobre procesamiento de señales y sus aplicaciones.
N, Mishra P, Garg L (2021) Reconocimiento de emociones a partir de señales de eeg IEEE, págs. 289–294
mediante descomposición de modo empírico y gráfico de diferencias de 94. Yoon HJ, Chung SY (2013) Estimación de emociones basada en Eeg utilizando
segundo orden. Control de procesos de señales biomédicas 65:102389 75. la función logarítmica posterior ponderada bayesiana y el algoritmo de
Huang C (2021) Reconocimiento de emociones psicológicas mediante características convergencia del perceptrón. Comput Biol Med 43(12):2230–2237 95.
de eeg. Análisis del modelo de red Informe de salud Bioinform 10(1):1–11 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
76. Subasi A, Tuncer T, Dogan S, Tanko D, Sakoglu U (2021) Reconocimiento de la Sociedad de Ingeniería en Medicina y Biología (EMBC) del IEEE. IEEE, págs.
emociones basado en Eeg utilizando transformada q wavelet sintonizable y 6627–6630
clasificador de conjunto de bosque de rotación. Control de procesos de señales
biomédicas 68:102648
123
Machine Translated by Google
96. Subasi A (2007) Clasificación de señales Eeg mediante extracción de características 117. Kohavi R, John GH (1997) Envoltorios para la selección de subconjuntos de funciones.
wavelet y una combinación de modelos expertos. Expert Syst Appl 32(4):1084–1093 ción. Artif Intell 97(1–2):273–324
97. Li Y, Yingle F, Gu 118. Sabeti M, Boostani R, Katebi SD, Price GW (2007) Selección de características
L, Qinye T (2009) Clasificación de las etapas del sueño basada en la transformada eeg de relevantes para la clasificación de señales de EEG de pacientes esquizofrénicos.
HilbertHuang. En: 2009 4ª conferencia IEEE sobre aplicaciones y electrónica Control de procesos de señales biomédicas 2(2):122–134
industrial. IEEE, págs. 3676–3681 98. Ting W, GuoZheng Y, BangHua Y, Hong S 119. John GH, Kohavi R, Pfleger K (1994) Características irrelevantes y el problema de
(2008) Extracción selección de subconjuntos. En: Procedimientos de aprendizaje automático.
de características de Eeg basada en la descomposición de paquetes wavelet para la Elsevier, págs. 121129
interfaz cerebrocomputadora. Medición 41(6):618–625 99. Houssein EH, Hamad A, 120. Langley P et al (1994) Selección de características relevantes en el aprendizaje
Hassanien AE, Fahmy AA (2019) automático. En: Actas del simposio de otoño de la AAAI sobre relevancia 184:245–
271
Detección epiléptica basada en una máquina de vectores de soporte mejorada con 121. Battiti R (1994) Uso de información mutua para seleccionar características en el
optimización de ballenas. J Inf Optim Sci 40(3):699–723 100. Guido aprendizaje de redes neuronales supervisadas. IEEE Trans Neural Networks 5(4):537–
RC (2018) Una revisión del tutorial sobre la extracción de características artesanales 550 122. Peng H,
basada en entropía para la fusión de información. Inform Fusion 41:161–175 101. Long F, Ding C (2005) Selección de funciones basada en criterios de información mutua de
Vijith VS, Elsa máxima dependencia, máxima relevancia y redundancia mínima. IEEE Trans Pattern
Jacob J, Iype T, K Gopakumar, George Yohannan D (2016) Detección de ataques epilépticos Anal Mach Intell 27(8):1226–1238 123. Reunanen J (2003) Sobreajuste al realizar
mediante análisis no lineal de eeg. En: Conferencia internacional de 2016 sobre comparaciones entre
tecnologías de computación inventivas (ICICT), vol 3. IEEE, págs. 1–6 102. Zhang C, métodos de selección de variables. J Mach Learn Res 3:1371–1382
Wang H, Rongrong F (2013) Detección automatizada de la fatiga del
conductor basada en medidas de entropía y complejidad. IEEE Trans Intell Transp Syst 124. Pudil P, Novovicˇova´ J, Kittler J (1994) Métodos de búsqueda flotante en la selección
15(1):168–177 103. Nicolaou N, Georgiou J (2012) Detección de electroencefalograma de características. Pattern Recogn Lett 15(11):1119–1125 125. Talbi EG (2009)
epiléptico basado en entropía de permutación y Metaheurísticas: del diseño a la implementación, vol 74. Wiley, Hoboken 126. Fister Jr I,
máquinas de vectores de soporte. Expert Syst Appl 39(1):202–209 104. Pincus SM (1991) Yang XS, Fister I, Brest J, Fister D
Entropía aproximada como medida de la complejidad del sistema. Proc Natl Acad Sci (2013) Una breve revisión de algoritmos de optimización inspirados en la naturaleza.
88(6):2297–2301 105. Zhang A, Yang B, Huang L (2008) Extracción preimpresión de arXiv arXiv:1307.4186 127. Zawbaa HM, Emary E, Parv B (2015)
de características de señales eeg utilizando entropía espectral de potencia. En: Conferencia Selección de funciones basada
internacional de 2008 sobre ingeniería biomédica e informática, vol en el algoritmo de optimización de la hormiga león. En 2015 Tercera conferencia mundial
2. 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,
IEEE, págs. 435–439 Neoh SC, Lim CP, Fielding B (2016) Un enfoque de selección de funciones pso
106. Richman JS, Randall Moorman J (2000) Análisis fisiológico de series temporales integradas en
utilizando entropía aproximada y entropía de muestra. microga para el reconocimiento inteligente de emociones faciales. IEEE Trans Cybern
Am J PhysiolHeart Circulat Physiol 278(6):H2039–H2049 107. Lotte F, Congedo 47(6):1496–1509 130. Baig MZ, Aslam N, Shum HPH, Zhang L (2017) Algoritmo de
M, Le´cuyer A, Lamarche F, Arnaldi B (2007) evolución diferencial como herramienta para la selección óptima de subconjuntos de
Una revisión de los algoritmos de clasificación para interfaces cerebrocomputadora características en
basadas en EEG. J Neural Eng 4(2):R1 108. imágenes motoras, por ejemplo. Expert Syst Appl 90:184–195 131. Kim KH, Bang SW, Kim
Ayyagari SSDP, Jones RD, Weddell SJ (2021) Detección de estados de microsueño a partir SR (2004) Sistema de reconocimiento de emociones que utiliza monitoreo a corto
del eeg: una comparación de métodos de reducción de características. Med Biol Eng plazo de señales fisiológicas. Med Biol Eng Compu 42(3):419–427 132.
Comput 1–15 109. Fukunaga K (2013) Introducción al Ilyas MZ, Saad P, Ahmad MI (2015) Un estudio sobre el análisis y la clasificación de señales
reconocimiento de patrones estadísticos. Elsevier, Ámsterdam 110. Liu J, Meng H, Li M, EEG para interfaces cerebrocomputadora. En 2015 2do Congreso Internacional de
Zhang F, Qin R, Nandi AK (2018) Ingeniería Biomédica (ICoBE). IEEE,
págs. 1–6 133. Soleymani M, Lichtenauer J, Pun T, Pantic M (2011) Una base de datos
Detección de emociones a partir de grabaciones de EEG basada en reducción de multimodal para el reconocimiento de afectos y el etiquetado implícito. Computación
dimensiones supervisada y no supervisada. Computación de concurrencia: Pract Exp de efectos trans IEEE 3 (1): 42–55
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. 134. RuoNan Duan, JiaYi Zhu, BaoLiang Lu (2013) Característica de entropía diferencial
Expert Syst Appl 37(12):8659–8666 113. Widodo A, Yang BS (2007) Aplicación de para la clasificación de emociones basada en eeg. En 2013, sexta Conferencia
máquinas de vectores de Internacional IEEE/EMBS sobre Ingeniería Neural (NER). IEEE, págs. 81–84 135.
soporte y extracción de características no lineales para el diagnóstico de fallas de motores Katsigiannis S, Ramzan N
de inducción. Expert Syst Appl 33(1):241–250 114. Mafarja M, Mirjalili S (2018) (2017) Dreamer: una base de datos para el reconocimiento de emociones a través de
Enfoques de optimización de ballenas para la selección de funciones señales de eeg y ecg desde dispositivos inalámbricos de bajo costo disponibles en el
de envoltura. Appl Soft Comput 62:441–453 115. Cabrera AF, Farina D, Dremstrup K (2010) mercado. IEEE J Biomed Health Inform 22(1):98–107 136. Miranda Correa JA,
123
Machine Translated by Google
138. Lv Z, Qiao L, Wang Q, Piccialli F (2020) Métodos avanzados de aprendizaje 160. Tin Kam Ho (1995) Bosques de decisión aleatoria. En Actas de la tercera
automático para la interfaz cerebrocomputadora. IEEE/ACM Trans Comput Biol conferencia internacional sobre análisis y reconocimiento de documentos,
Bioinform 139. Drucker H, Donghui W, volumen 1. IEEE, págs. 278–282
Vapnik VN (1999) Máquinas de vectores de soporte para la categorización de spam. 161. Deg˘er Ayata, Yusuf Yaslan, Mustafa Kamas¸ak (2016) Reconocimiento de
IEEE Trans Neural Networks 10(5):1048–1054 140. Kumar S, Singh S, Kumar J emociones a través de un bosque aleatorio y una respuesta galvánica de la piel:
(2018) Detección comparación de conjuntos de características basadas en el tiempo, tamaños de
automática de expresiones faciales en vivo utilizando un algoritmo genético con ventanas y enfoques de ondas. En 2016 Congreso Nacional de Tecnologías
características de haar wavelet y svm. Wireless Pers Commun 103(3):2435– Médicas (TIPTEKNO). IEEE, págs. 1–4 162.
2453 141. Kumar S, Singh S, Kumar J (2019) Detección de múltiples rostros Breiman L (2001) Bosques aleatorios. Mach Learn 45(1):5–32 163. Peterson LE
utilizando funciones híbridas con clasificador svm. En: Redes de datos y comunicaciones. (2009) Kvecino más cercano. Scholarpedia 4(2):1883 164. Pascal Soucy, Guy W
Springer, págs. 253265 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.
142. Shi L, Wang X, Shen Y (2020) Investigación sobre el método de reconocimiento 647–648 165. Fatemeh Bahari, Amin Janghorbani (2013)
facial 3D basado en lbp y svm. Optik 220:165157 143. Asuntha Reconocimiento de emociones basado en Eeg mediante análisis de gráficos de
A, Brindha A, Indirani S, Srinivasan A (2016) Detección de cáncer de pulmón mediante recurrencia y clasificador de vecino más cercano k. En 2013, 20ª Conferencia
algoritmo svm y técnicas de optimización. J Chem Pharm Sci 9(4):3198–3203 Iraní sobre Ingeniería Biomédica (ICBME). IEEE, págs. 228–233 166. Sasirekha
144. Dolatabadi AD, Khadem SEZ, Asl BM (2017) K, Thangavel K (2019) Optimización del vecino k más
Diagnóstico automatizado de pacientes con enfermedad de las arterias coronarias cercano mediante optimización de enjambre de partículas para el reconocimiento facial.
(EC) mediante svm optimizado. Programas de métodos informáticos Biomed
138:117–126 145. Nilashi M, Ahmadi N, Samad S, Shahmoradi L, Ahmadi H, Neural Comput Appl 31(11):7935–7944 167. Wang
Ibrahim O, Asadi S, Abdullah R, Abumalloh RA, Yadegaridehkordi E (2020) Diagnóstico H, Zhang Y et al (2016) Detección de señales de eeg de imágenes motoras empleando
de enfermedades mediante aprendizaje automático Técnicas: revisión y un proceso de aprendizaje ingenuo basado en bayes. Medición 86:148–158
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 168. M Wiggins, Ashraf Saad, Brian Litt y George Vachtsevanos.
svm de mínimos cuadrados de una escena natural. Journal of Desarrollo de un clasificador bayesiano para la clasificación de edades basada
King Saud UniversityComputer and Information Sciences 32(3):287–299 147. Lin W, en ECG en aplicaciones médicas. Computación suave aplicada, 8(1):599–608,
Ji D, Yanan L (2017) Reconocimiento de trastornos en textos clínicos utilizando 2008
svm estructurado de etiquetas múltiples. BMC Bioinformática 18(1):1–11 169. 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
148. Hassan AKA, Mahdi BS, Mohammed AA (2019) Reconocimiento de palabras de sus aplicaciones. Revisión de informática 40:100379 171. Iqbal H Sarker.
escritura a mano en árabe basado en transformación de características Aprendizaje profundo: una descripción general completa de técnicas, taxonomía,
invariantes de escala y máquina de vectores de soporte. Iraqi Jf Sci 381– aplicaciones y direcciones de investigación. SN Ciencias de la Computación, 2
387 149. ShalevShwartz S, BenDavid S (2014) Comprensión del aprendizaje (6): 1–20, 2021
automático: de la teoría a los algoritmos. Cambridge University Press, Cambridge 172. Fukushima K (1980) Un modelo de red neuronal autoorganizada para un
150. Chen WH, Hsu mecanismo de reconocimiento de patrones que no se ve afectado por el cambio
SH, Shen HP (2005) Aplicación de svm y ann para la detección de intrusiones. de posición. Biol Cybern 36:193–202
Computers & Operations Research 32(10):2617–2634 151. Basheer IA, Hajmeer 173. Hinton GE, Salakhutdinov RR (2006) Reducción de la dimensionalidad de los
M (2000) Redes datos con redes neuronales. ciencia 313 (5786): 504–507
neuronales artificiales: fundamentos, informática, diseño y aplicación. Métodos J
Microbiol 43(1):3–31 174. Yoshua Bengio, Pascal Lamblin, Dan Popovici, Hugo Larochelle (2007)
Entrenamiento codicioso en capas de redes profundas. En Avances en sistemas
152. Fausett LV (2006) Fundamentos de las redes neuronales: arquitecturas, de procesamiento de información neuronal, págs. 153–160 175. Pascal Vincent,
algoritmos y aplicaciones. Pearson Education India 153. Sharma S, Sharma Hugo Larochelle, Isabelle Lajoie, Yoshua Bengio, PierreAntoine Manzagol, Le´on
S (2017) Funciones de activación en redes neuronales. Hacia la ciencia de datos Bottou (2010) Autocodificadores de eliminación de ruido apilados: aprendizaje
6(12):310–316 154. Quinlan JR (2014) C4. 5: programas de representaciones útiles en una red profunda con un criterio de eliminación de
para aprendizaje automático. ruido local. Revista de investigación sobre aprendizaje automático, 11 (12)
Elsevier
155. Loh WY (2011) Árboles de clasificación y regresión. Wiley Interdiscip Rev: Data 176. Chamara L, Zhou H, Huang GB, Vong CM (2013) Aprendizaje representacional
Min Knowl Discov 1(1):14–23 156. Bastos NS, Marques BP, con máquina de aprendizaje extremo para big data.
Adamatti DF, Billa CZ (2020) Análisis de señales eeg utilizando árboles de decisión: IEEE Intell Syst 28(6):31–34 177.
un estudio de modulación de amplitud. Computadora Intel Neurociencia Chen M, Weinberger KQ, Zhixiang X, Sha F (2015)
Marginar codificadores automáticos de eliminación de ruido lineales apilados.
157. Rasoul Safavian S, Landgrebe D (1991) Un estudio de la metodología del The Journal of Machine Learning Research 16(1):3849–3875 178. Cao
clasificador de árboles de decisión. IEEE Trans Syst Man Cybern 21(3):660–674 J, Zhao Y, Lai X, Ong MEH, Yin C, Koh ZX, Liu N (2015)
158. Rafik Khairul Reconocimiento de puntos de referencia con clasificación de representación
Amin, Yuliant Sibaroni, et al (2015) Implementación del árbol de decisión utilizando escasa y máquina de aprendizaje extrema. Instituto J. Franklin 352(10):4528–
c4. 5 algoritmo en la toma de decisiones de solicitud de préstamo por parte del 4545
deudor (estudio de caso: Bank pasar de la región especial de yogyakarta). En 179. Cao J, Zhang K, Luo M, Yin C, Lai X (2016) Máquina de aprendizaje extrema y
2015, 3.ª Conferencia Internacional sobre Tecnologías de la Información y la representación dispersa adaptativa para la clasificación de imágenes. Red
Comunicación (ICoTIC), págs. 75–80. IEE 159. Ruggieri S (2002) Eficiente c4. 5 neuronal 81:91–102
[algoritmo de 180. Yang Y, Wu QMJ (2015) Máquina de aprendizaje extremo multicapa con nodos
clasificación]. de subred para aprendizaje de representación. Transacciones IEEE sobre
IEEE Trans Knowl Data Eng 14(2):438–444 cibernética 46(11):2570–2583
123
Machine Translated by Google
181. Zhang J, Wu Y (2018) Clasificación automática de etapas del sueño de y eeg basado en aprendizaje automático y red neuronal profunda
eeg de un solo canal mediante el uso de convolucional de valores complejos métodos. Informática en Medicina desbloqueada 20:100372
red neuronal. Ingeniería Biomédica/Biomedizinische 194. Cui H, Aiping Liu X, Zhang XC, Wang K, Chen X (2020) Reconocimiento de
Técnica 63(2):177–190 emociones basado en Eeg utilizando una red neuronal convolucional asimétrica
182. Jiao Y, Deng Y, Luo Y, BaoLiang L (2020) Somnolencia del conductor regional de extremo a extremo. Sistema basado en el conocimiento
Detección de señales eeg y eog utilizando redes gan y lstm. 205:106243
Neurocomputación 408:100–111 195. Huang D, Chen S, Liu C, Zheng L, Tian Z, Jiang D (2021)
183. Soumalya Sarkar, Kishore Reddy, Alex Dorgan, Cali Fidopiastis, Michael Giering Primero las diferencias en el cerebro asimétrico: una red neuronal convolucional
(2016) Actividad portátil basada en EEG de discrepancia bihemisférica para el reconocimiento de emociones por ejemplo.
reconocimiento en el entorno de servicios relacionados con phm a través del Neurocomputación 448:140–151
aprendizaje profundo. Revista internacional de pronóstico y gestión sanitaria, 7(4) 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
184. Maiorana E (2020) Aprendizaje profundo para biometría basada en eeg
reconocimiento. Neurocomputación 410:374–386 197. Salama ES, ElKhoribi RA, Shoman ME, Wahby Shalaby MA
185. Guo J (2013) Propagación hacia atrás a través del tiempo. Inédito. EM. (2018) Reconocimiento de emociones basado en Eeg utilizando convolucional 3D
Instituto de Tecnología de Harbin 40:1–6 Redes neuronales. Int J Adv Comput Sci Appl 9(8):329–337
186. Sepp Hochreiter, Yoshua Bengio, Paolo Frasconi, Ju¨rgen Schmidhuber, et al 198. Kung FYH, Chao MM (2019) El impacto de las emociones encontradas en
(2001) Flujo gradiente en redes recurrentes: la dificultad de aprender dependencias Creatividad en la negociación: una perspectiva interpersonal. Frente
a largo plazo Psicología 9:2660
187. Reddy BK, Delen D (2018) Predicción del reingreso hospitalario por 199. Zheng W (2016) Reconocimiento de emociones basado en eeg multicanal
Pacientes con lupus: una metodología de aprendizaje profundo basada en rnnlstm. a través del análisis de correlación canónica dispersa del grupo. Transacciones
Computación Biol Med 101:199–209 IEEE sobre sistemas cognitivos y de desarrollo 9(3):281–290
188. Hochreiter S, Schmidhuber J (1997) Memoria a largo plazo. 200. Hadjidimitriou SK, Hadjileontiadis LJ (2012) Hacia un reconocimiento del gusto por
Computación neuronal 9 (8): 17351780 la música basado en eeg mediante análisis de tiempofrecuencia.
189. Yamashita R, Nishio M, Do RKG, Togashi K (2018) Redes neuronales IEEE Trans Biomed Eng 59(12):3498–3510
convolucionales: una descripción general y aplicación en radiología. Imágenes de 201. Jenke R, Peer A, Buss M (2014) Extracción y selección de características
conocimiento 9(4):611–629 para el reconocimiento de emociones de eeg. Computación de efecto trans IEEE
190. Alarcao SM, Fonseca MJ (2017) Reconocimiento de emociones mediante eeg 5(3):327–339
señales: una encuesta. Computación de efecto trans IEEE 10 (3): 374–393 202. Chatterjee R, Tanmoy Maitra SK, Islam H, Hassan MM, Alamri
191. Harsh Dabas, Chaitanya Sethi, Chirag Dua, Mohit Dalawat, A, Fortino G (2019) Una nueva característica basada en el aprendizaje automático
Divyashikha Sethia (2018) Clasificación de emociones mediante eeg selección de imágenes motoras, clasificación de señales eeg en internet
señales. En las actas de la Segunda Conferencia Internacional sobre Ciencias de del entorno de cosas médicas. Sistema de Computación Futur Gener
la Computación e Inteligencia Artificial de 2018, 98:419–434
págs. 380–384, 203. Moreira MWL, Rodrigues JJPC, Kumar N, Saleem K, Illin IV
192. Gao Y, Jong Lee H, Mehmood RM (2015) Aprendizaje profundo de eeg (2019) Predicción de la depresión posparto a través del embarazo.
Señales para el reconocimiento de emociones. En: 2015 IEEE internacional Análisis de datos para sistemas inteligentes conscientes de las emociones. Información
conferencia sobre talleres multimedia y expo (ICMEW). IEEE, Fusión 47:23–31
págs. 1 a 5
123