Traducido del inglés al español - www.onlinedoctranslator.
com
Reconocimiento de emociones con aprendizaje profundo
utilizando el conjunto de datos GAMEEMO
tuberculosis alakus✉y yo turkoglu
El reconocimiento de emociones se utiliza activamente en aplicaciones de interfaz
cerebro-computadora, atención médica, seguridad, comercio electrónico,
educación y entretenimiento para aumentar y controlar la interacción hombre-
máquina. Por tanto, las emociones afectan la vida de las personas y los
mecanismos de toma de decisiones a lo largo de su vida. Sin embargo, el hecho
de que las emociones varíen de persona a persona, sea un concepto abstracto y
dependa de factores internos y externos dificulta los estudios en este campo. En
los últimos años han cobrado impulso los estudios basados en señales de
electroencefalografía (EEG), que realizan el análisis de las emociones de una
forma más robusta y fiable. En este artículo, se realizó un análisis de emociones
basado en señales de EEG para predecir emociones positivas y negativas. El
estudio consta de cuatro partes. En la primera parte, se obtuvieron señales de
EEG del conjunto de datos GAMEEMO. En la segunda etapa, se calcularon los
valores de entropía espectral de las señales de EEG de todos los canales y estos
valores se clasificaron mediante la arquitectura de memoria bidireccional de
largo-corto plazo en la tercera etapa. En la última etapa, se evaluó el desempeño
de la arquitectura de aprendizaje profundo con precisión, sensibilidad,
especificidad y curva característica operativa del receptor (ROC). Con el método
propuesto se obtuvo una precisión del 76,91% y un valor ROC del 90%.
Introducción:La emoción se puede definir como la reacción voluntaria o involuntaria
de las personas ante un estímulo externo mientras realizan acciones como hablar,
pensar, comunicarse, aprender, tomar decisiones, etc. Dado que todas estas y otras
acciones similares se llevan a cabo a través de las emociones, las emociones tienen un
gran impacto. en la vida diaria. Mientras que las emociones negativas afectan a las
personas tanto física como psicológicamente, las emociones positivas hacen que las
personas tengan más éxito en la sociedad y mejoren sus condiciones de vida.1,2].
Existen muchos estudios diferentes de análisis de emociones para comprender la
naturaleza y el comportamiento de las emociones. Sin embargo, el hecho de que el
concepto de emoción sea abstracto y no tenga un resultado objetivo dificulta el
análisis de las emociones.3,4]. Además, una gran cantidad de métodos para recopilar
y procesar datos emocionales hace que el proceso de análisis sea más difícil y
requiera más tiempo. Por estas razones, se necesita un sistema basado en
computadora [5].
Las emociones se pueden obtener a través de métodos físicos y no físicos.
Ejemplos de estos incluyen señales de voz, lenguaje corporal, expresiones
faciales y actividades físicas. Dado que estos métodos son fáciles de aplicar, los
datos se pueden obtener rápida y fácilmente. Sin embargo, durante la fase de
recopilación de datos, los sujetos pueden manipular las emociones de forma
intencionada o no. Mientras se recopilan las señales de voz, los sujetos pueden
imitar sus voces y ocultar sus expresiones faciales de manera similar.6]. Por lo
tanto, el hecho de que los datos obtenidos por estos métodos sean
incompletos y poco confiables provocó la necesidad de un sistema más
confiable y aumentó la importancia de las señales fisiológicas como la
electroencefalografía (EEG).7]. Las señales EEG son el método más utilizado en
esta área debido a su facilidad de uso, bajo costo y modelos portátiles.8].
Hay dos tipos de patrones emocionales en la literatura, discretos y
dimensionales. Hay ocho emociones básicas (ira, alegría, confianza, miedo,
sorpresa, tristeza, disgusto y anticipación) en el modelo de emoción discreta.9].
En el modelo dimensional, las emociones no se expresan por sus nombres sino
según sus posiciones en el plano de excitación-valencia.10]. En este plano, las
emociones se dividen en cuatro áreas principales. El eje de valencia se refiere a
laX-eje, y este eje indica si la emoción es negativa o positiva.Y-El eje expresa
excitación y las emociones se ordenan de menor a mayor según el grado de
actividad. El plano de excitación y valencia se muestra en la Fig.1. El plano se
divide en cuatro zonas diferenciadas, como se puede observar en la Fig.1. Si
bien hay emociones de valencia positiva de alta excitación en la primera zona,
hay emociones negativas de alta valencia en la segunda zona. En la tercera y
cuarta zona, hay emociones de valencia negativa-baja excitación y valencia
positiva-baja excitación, respectivamente. En este modelo, las emociones se
nombran según su ubicación en el plano de coordenadas en lugar de sus
nombres. Por ejemplo, la emoción de felicidad se expresa como una valencia
positiva de alta excitación. Se pueden hacer inferencias similares para otros
tipos de emociones. En este estudio, se utilizó el modelo de emoción
dimensional y las emociones se evaluaron como valencia positiva y valencia
negativa.
El estudio consta de cuatro etapas. En el primer paso, se recopilaron señales de
EEG del conjunto de datos de GAMEEMO. En el segundo paso, se calcularon los
valores de entropía espectral de cada señal de EEG. Entonces estos valores
LETRAS DE ELECTRÓNICA 10 de diciembre de 2020 Vol. 1 56 Núm. 25 págs. 1364-1367
Se clasificaron con el modelo de aprendizaje profundo de memoria
bidireccional a largo y corto plazo (BiLSTM) y se llevó a cabo el proceso de
predicción. En la última etapa se midió el desempeño del modelo BiLSTM
con diferentes métricas de evaluación.
alto
excitación
II I
alta excitación, alta excitación,
valencia negativa valencia positiva
entusiasmado
tenso
contento
enojado
feliz
frustrado
negativo positivo
valencia valencia
deprimido contenido
aburrido
relajado
III cansado IV
baja excitación, calma baja excitación,
valencia negativa valencia positiva
bajo
excitación
Figura 1Ejemplo de modelo de emoción dimensional excitación-valencia
Las principales aportaciones del estudio se pueden resumir en:
†Hasta donde sabemos, el conjunto de datos GAMEEMO se analizó por primera vez en
este estudio con el modelo de aprendizaje profundo BiLSTM. †Con este estudio se
observó que las señales de EEG obtenidas desde un dispositivo portátil también
pueden usarse para el análisis de emociones.
El resto del trabajo se organiza de la siguiente manera: los estudios realizados
con señales EEG se mencionan en el apartado de trabajos relacionados. En la
sección de datos y métodos, se brinda información general sobre el conjunto
de datos, la entropía espectral y el modelo BiLSTM utilizado en este estudio. En
la sección de resultados de la aplicación, se examinó el rendimiento del modelo
BiLSTM y se discutieron los resultados. En el apartado de conclusiones se
examinó el estudio y se realizaron explicaciones en base a posibles aplicaciones
futuras.
Obras relacionadas:En esta sección se examinan los estudios de análisis de emociones
realizados con señales de EEG. Los autores en [11] utilizó el modelo LSTM para la
predicción de emociones y clasificó las señales de EEG para ello. En el estudio se
utilizó el conjunto de datos DEAP y se realizó un proceso de clasificación para las
clases de valencia, excitación y agrado. Las señales no han sido preprocesadas ni
clasificadas directamente en la arquitectura LSTM. El estudio se validó con una
validación cruzada cuádruple y el rendimiento del modelo LSTM se evaluó únicamente
con la métrica de precisión. Al final del estudio, se obtuvo una precisión de 0,8565
para excitación, 0,8545 para valencia y 0,8799 para agrado. Autores en [12] llevó a
cabo un análisis de emociones mediante aprendizaje profundo. En el estudio se utilizó
el conjunto de datos DEAP y la extracción de características se llevó a cabo antes de la
clasificación. En la fase de extracción de características, las señales se transformaron
con descomposición del modelo empírico y descomposición del modelo variacional y
la densidad espectral de potencia, y los primeros valores de diferencia de las
funciones del modo intrínseco se recopilaron a partir de estas señales convertidas.
Luego, las señales se clasificaron tanto con máquinas de vectores de soporte (SVM)
como con redes neuronales profundas. Tras el proceso de clasificación se alcanzaron
precisiones de 0,6125 para excitación y 0,6250 para valencia. Los autores en [13]
realizó análisis de emociones con análisis de componentes principales y aprendizaje
profundo. Como en otros estudios, en este estudio se utilizó el conjunto de datos
DEAP. Las señales se transformaron primero en cinco bandas diferentes con
transformada rápida de Fourier y se obtuvieron valores espectrales de potencia de
cada banda. Luego los valores se normalizaron y clasificaron con una red de
aprendizaje profundo. Las emociones de valencia se predijeron con una precisión de
0,5342 y las emociones de excitación con una precisión de 0,5205 con el método
propuesto.
Datos y métodos:En este estudio, las señales EEG pertenecientes al
GAMEEMO [14] conjunto de datos. El conjunto de datos contiene señales
EEG de 28 personas. A diferencia de los dispositivos recolectores de EEG
convencionales, los datos se obtuvieron con un dispositivo EEG portátil.

(Emotiv EPOC + Auricular EEG inalámbrico de 14 canales). El dispositivo EEG utilizado
tiene 14 canales en total como AF3, AF4, F3, F4, F7, F8, FC5, FC6, O1, O2, P7, P8, T7 y
T8. La frecuencia de muestreo de las señales obtenidas es de 128 Hz. El conjunto de
datos contiene señales sin procesar y preprocesadas. Dado que en este estudio se
utilizaron datos libres de ruido, se consideraron datos preprocesados.
Para obtener emociones, los sujetos jugaron cuatro juegos de computadora
y cada sujeto jugó durante 5 minutos. Hay un total de 1568 (4 × 14 × 28) datos
de EEG en el conjunto de datos. El número 4 hace referencia a los estímulos
utilizados. Este valor es 4 porque se jugaron 4 juegos en el conjunto de datos. El
número 14 indica el número de canales de EEG, mientras que el número 28 se
refiere a los sujetos. La longitud de la muestra de cada dato de EEG es 38.252.
Puede obtenerse información más técnica y detallada sobre el conjunto de
datos en [14]. Los investigadores que quieran utilizar los datos de GAMEEMO
pueden acceder a los datos desde el enlace proporcionado (https://
data.mendeley.com/datasets/b3pn4kwpmn/3).
En el estudio, se llevó a cabo la extracción de características y se calcularon los
valores de entropía espectral de las señales de EEG. La entropía espectral mide qué
tan nítido es el espectro de una señal [15]. Una señal con un espectro nítido, como la
suma de sinusoides, tiene una entropía espectral baja. Por el contrario, una señal de
espectro plano, como el ruido blanco, tiene una alta entropía espectral. La entropía
espectral trata la distribución de potencia normalizada en el dominio de la frecuencia
de la señal como una distribución de probabilidad y calcula la entropía de Shannon. La
1350911x, 2020, 25, descargado de https://ietresearch.onlinelibrary.wiley.com/doi/10.1049/el.2020.2460 por Readcube (Labtiva Inc.), Wiley Online Library el [26/02/2024]. Consulte los Términos y condiciones (https://onlinelibrary.wiley.com/terms-and-conditions) en Wiley Online Library para conocer las reglas de uso; Los artículos OA se rigen por la licencia Creative Commons aplicable.
†Luego, los datos se transformaron en un vector unidimensional mediante el proceso
de aplanamiento.
†Posteriormente, se realizó la normalización por lotes y se normalizaron
los datos.
†Se utilizó la deserción para evitar problemas de sobreajuste y su grado se estableció
en 0,25.
†Finalmente, se diseñó una capa completamente conectada y se determinó que
el número de neuronas era 512.
†En la capa de clasificación se ha utilizado la función sigmoidea y se ha
realizado el proceso de clasificación binaria.
†El descenso de gradiente estocástico se aplicó como optimizador con valores
predeterminados.
†La pérdida del modelo se calculó mediante entropía cruzada binaria. †
Se eligió que el valor de época fuera 250.
†Para validar el modelo, se utilizó el enfoque dividido entre prueba y entrenamiento y el 80%
de los datos se utilizó para entrenamiento y el 20% para pruebas.
†Todos estos parámetros se determinaron mediante un enfoque de prueba y error y
en el estudio se utilizaron los parámetros que dieron el mejor resultado.
†Mesa1muestra los resultados de clasificación del modelo BiLSTM.
Tabla 1:Resultados de clasificación de emociones positivas y negativas.
Exactitud, % Sensibilidad, % Especificidad, % República de China

entropía de Shannon en este contexto es la entropía espectral de la señal. La entropía

76,91 76,93 76,89 0,90
espectral se utiliza eficazmente en la detección y diagnóstico de fallas [dieciséis,17],
reconocimiento de voz [18] y procesamiento de señales biomédicas [19]. En este
estudio, se calculó el valor de entropía espectral de cada señal de EEG y estos valores
Como se ve en la tabla1, las emociones positivas y negativas se
se utilizaron para clasificar con BiLSTM.
clasificaron con una tasa de precisión de 0,7691 con el modelo BiLSTM
En este estudio, se utilizó una red neuronal recurrente en lugar de las
propuesto. Además, el valor de sensibilidad fue de 0,7693 y el valor de
arquitecturas tradicionales de CNN debido a su éxito en aplicaciones de
especificidad fue de 0,7689. El valor ROC se midió como 0,90 para ambas
series de tiempo [20–22]. Por esta razón, en el estudio propuesto se
clases. La gráfica de la República de China se muestra en la Fig.3. La
utilizó un modelo de red neuronal recurrente: LSTM bidireccional. Los
puntuación del área bajo la curva (AUC) se utiliza eficazmente en estudios
LSTM bidireccionales son una extensión del modelo LSTM y se han
biomédicos y se expresa como un mejor análisis.24]. Para que el proceso
propuesto para mejorar el rendimiento del modelo en problemas de
de clasificación se considere bueno, la puntuación AUC debe ser >0,8 [24].
clasificación. En la arquitectura BiLSTM, los valores de entrada entrenan
Además, la puntuación AUC entre 0,9 y 1,0 indica que la clasificación es
dos LSTM en lugar de uno. Por tanto, la información fluye tanto del
excelente [24]. En este estudio, la puntuación AUC se calculó como 0,9, lo
pasado al futuro como del futuro al pasado. En las arquitecturas LSTM
que indica que el método propuesto es eficaz y exitoso.
tradicionales, la información del futuro se evalúa y preserva, mientras que
en la arquitectura BLSTM, se preserva y valora la información tanto del
pasado como del futuro. Debido a esta ventaja, BiLSTM tiene más éxito República de China

que LSTM [23]. Por lo tanto, se consideró BiLSTM en el estudio. El 1.0

resumen gráfico del estudio se muestra en la Fig.2.

0,8
tasa positiva verdadera

adquisición de datos Preprocesamiento de datos

0,6
JUEGOEMO espectral
EEG entropía
datos cálculo 0,4

0,2
Curva ROC de clase 0 (área = 0,90)
Curva ROC de clase 1 (área = 0,90)
clasificación de datos
0.0
0.0 0,2 0,4 0,6 0,8 1.0
modelo de aprendizaje profundo: BiLSTM
tasa de falsos positivos

Fig. 3Curva ROC de emociones positivas y negativas (la clase 0 se refiere a emociones
evolución del rendimiento negativas, la clase 1 se refiere a emociones positivas)

exactitud especificidad sensibilidad República de China Estos resultados también se compararon con los resultados del algoritmo de
aprendizaje automático utilizado en el artículo original. Los resultados de la
comparación se dan en la tabla.2. Dado que sólo hay un estudio en la literatura
con este conjunto de datos, sólo se pudieron examinar los resultados del
Figura 2Diagrama de flujo del estudio.
artículo original. Según los resultados dados en la tabla2, se ve que el método
de aprendizaje profundo propuesto fue mejor que los algoritmos de
Resultados de la aplicación:En este estudio, se clasificaron las señales de EEG del aprendizaje automático utilizados en el estudio original. Si bien se lograron
conjunto de datos GAMEEMO y se predijeron emociones positivas-negativas. Se utilizó valores de precisión del 73 y 66% para SVM y KNN, respectivamente, esta tasa
BiLSTM para el proceso de clasificación y el rendimiento del modelo de aprendizaje aumentó a ∼77% con el modelo BiLSTM. Según estos resultados, se puede
profundo se midió con valores de precisión, sensibilidad, especificidad y inferir que el método de aprendizaje profundo es al menos tan exitoso e
características operativas del receptor (ROC). Los parámetros del modelo BiLSTM incluso mejor que los métodos de aprendizaje automático existentes.
desarrollado se pueden resumir de la siguiente manera:
Tabla 2:Comparación de resultados de clasificación.
†Los datos de EEG, cuyos valores de entropía espectral se calcularon, se utilizaron en
Referencia SVM (precisión) KNN (precisión) BiLSTM (precisión)
la capa de entrada.
[14] 73% 66% —
†Luego se diseñó la capa BiLSTM de 128 unidades. La función ReLU se utilizó
el método propuesto — — 76,93%
como función de activación.

LETRAS DE ELECTRÓNICA 10 de diciembre de 2020 Vol. 1 56 Núm. 25 págs. 1364-1367


Conclusión:En este estudio, se analizaron las emociones positivas y negativas
utilizando los datos de EEG del conjunto de datos GAMEEMO. En la primera parte del
estudio, se obtuvieron datos preprocesados del conjunto de datos. Luego, se
recopilaron valores de entropía espectral de los datos de cada canal de EEG y estos
valores se utilizaron en el modelo BiLSTM. En la fase final, se realizó el proceso de
clasificación con BiLSTM y se midió el desempeño del modelo de aprendizaje
profundo con precisión, sensibilidad, especificidad y valores ROC. Con el método
propuesto se lograron valores de precisión del 76,91%, sensibilidad del 76,93%,
especificidad del 76,89% y ROC del 90%. Además, se comparó el método propuesto
con los algoritmos de aprendizaje automático utilizados en el artículo original y se
observó que el método propuesto era al menos tan exitoso como ellos. En el futuro,
este conjunto de datos se examinará con más detalle y se realizarán comparaciones
utilizando diferentes algoritmos de aprendizaje profundo y métodos de
procesamiento de señales. Las emociones se examinarán tanto con la clasificación de
clases binarias como con la clasificación de clases múltiples. Las emociones son de
gran importancia en la vida humana. En la vida diaria, utilizamos nuestras emociones
de forma intencionada o no. Por tanto, los estudios de análisis de las emociones son
importantes para comprender las emociones y determinar su comportamiento.
© La Institución de Ingeniería y Tecnología 2020 Enviado:
23 agosto 2020E-primero:22 de octubre de 2020 doi:
10.1049/el.2020.2460
Una o más de las Figuras de esta Carta están disponibles en color en línea.
TB Alakus (Universidad Kirklareli, Facultad de Ingeniería, Departamento
de Ingeniería de Software, Kirklareli, Turquía)
✉Correo electrónico: talhaburakalakus@klu.edu.tr
I. Turkoglu (Universidad Firat, Facultad de Tecnología, Departamento de
Ingeniería de Software, Elazig, Turquía)
Referencias
1 Naji, M., Firoozabadi, M. y Azadfallah, P.: 'Clasificación de las emociones
durante la escucha de música a partir de bioseñales de la frente',Señal.
Imagen. Video. Proceso.,2015,9,págs. 1365–1375, doi: 10.1007/
s11760-013-0591-6
2 Alakus, TB y Turkoglu, I.: 'Sistemas de análisis de emociones basados en
EEG', TBV J. Computación. Ciencia. ing.,2018,11, (1), págs. 26–39
3 Michalopoulos, K. y Bourbakis, N.: 'Aplicación de entropía multiescala en
señales EEG para la detección de emociones'. IEEE EMBS Int. Conf.
Aplicaciones de tecnología de la información en biomedicina, Orlando, FL,
EE. UU., febrero de 2017, págs. 341–344, doi: 10.1109/ BHI.2017.7897275
4 Alakus, TB y Turkoglu, I.: 'Selección de características con algoritmo de selección
directa secuencial a partir de estimación de emociones basada en señales de
EEG',Universidad de Sakarya. J. Ciencias,2019,23, (6), págs. 1096-1105, doi:
10.16984/saufenbilder.501799
5 Nabo, A., Simbolon, AI, Amri, MF,y otros: 'Entrenamiento de redes neuronales de
retropropagación para la clasificación EEG-SSVEP del reconocimiento de
emociones',Interconexión. Indonesia J.,2017,9, (1), págs. 53–57 Alakus, TB y
6 Turkoglu, I.: 'Determinación de canales EEG efectivos para la discriminación de
emociones positivas y negativas con descomposición de ondas y máquinas de
vectores de soporte',En t. J. Informar. Tecnología, 2019,12, (3), págs. 229-237
7 Yan, J., Chen, S. y Deng, S.: 'Un modelo de reconocimiento de emociones basado
en EEG con características de ritmo y tiempo',Cerebro. Informar.,2019,6,
(1), págs. 1 a 8, doi: 10.1186/s40708-019-0100-y
8 Pan, J., Li, Y. y Wang, J.: 'Un cerebro-computadora basado en EEG
interfaz para el reconocimiento de emociones'. En t. Conferencia conjunta. Redes neuronales,
CARTAS DE ELECTRÓNICA 10 de diciembre de 2020
1350911x, 2020, 25, descargado de https://ietresearch.onlinelibrary.wiley.com/doi/10.1049/el.2020.2460 por Readcube (Labtiva Inc.), Wiley Online Library el [26/02/2024]. Consulte los Términos y condiciones (https://onlinelibrary.wiley.com/terms-and-conditions) en Wiley Online Library para conocer las reglas de uso; Los artículos OA se rigen por la licencia Creative Commons aplicable.
Vancouver, BC, Canadá, julio de 2016, págs. 2063–2067, doi: 10.1109/
IJCNN.2016.7727453
9 Mason, WA y Capitanio, JP: 'Emociones básicas: una reconstrucción',
Emocionado. Rdo.,2012,4, (3), págs. 238–244, doi: 10.1177/
1754073912439763
10 Russel, A.: 'Afecto central y construcción psicológica de la emoción',
Psicólogo. Rdo.,2003,110, (1), págs. 145-150
11 Alhagry, S., Fahmy, AA y El-Khoribi, RA: 'Reconocimiento de emociones
basado en EEG utilizando la red neuronal recurrente LSTM',En t. J. Adv.
Computadora. Ciencia. Aplic.,2017,8, (10), págs. 355–358, doi: 10.14569/
IJACSA.2017.081046
12 Pandey, P. y Seeja, KR: 'Reconocimiento de emociones independientes del sujeto
a partir de EEG mediante VMD y aprendizaje profundo',Universidad J. Rey Saud. –
Computación. Informar. ciencia,2019,2019,págs. 53–58, doi: 10.1016/j.
jksuci.2019.11.003
13 Jirayucharoensak, S., Pan-Ngum, S. e Israsena, P.: 'Reconocimiento de emociones
basado en EEG utilizando una red de aprendizaje profundo con adaptación de cambio
de covariable basada en componentes principales',Ciencia. Mundo J.,2014,2014, págs. 1
a 10, 627892, doi: 10.1155/2014/627892
14 Alakus, TB, Gonen, M. y Turkoglu, I.: 'Base de datos para un sistema de
reconocimiento de emociones basado en señales EEG y varios juegos de
ordenador – GAMEEMO',Biomédica. Procesamiento de señal. Control,2020,60,
págs. 1 a 12, doi: 10.1016/j.bspc.2020.101951
15 Vanluchene, ALG, Vereecke, H., Thas, O.,y otros: 'Espectral
la entropía como medida electroencefalográfica del efecto del fármaco
anestésico: una comparación con el índice biespectral y la respuesta
evocada auditiva de latencia media procesada',anestesiología,2004,101, (
1), págs. 34–42
dieciséis Pan, YN, Chen, J. y Li, XL: 'Entropía espectral: un índice complementario
para la evaluación de la degradación del rendimiento de los rodamientos',
Proc. Inst. Mec. Ing. C, J. Mech. Ing. ciencia,2009,223, (5), págs. 1223–1231,
doi: 10.1243/09544062JMES1224
17 Sharma, V. y Parey, A.: 'Una revisión del diagnóstico de fallas de engranajes
utilizando varios indicadores de condición',Procedia Ing.,2016,144,págs. 256–
263, doi: 10.1016/j.proeng.2016.05.131
18 Majstorovic, N., Andric, M. y Mikluc, D.: 'Algoritmo basado en entropía
para el reconocimiento de voz en entornos ruidosos'. Foro de
Telecomunicaciones, Belgrado, Serbia, noviembre de 2011, págs. 667–670,
doi: 10.1109/TELFOR.2011.6143635
19 Vakkuri, A., Yli-Hankala, A., Talja, P.,y otros: 'frecuencia de tiempo
entropía espectral equilibrada como medida del efecto del fármaco
anestésico en el sistema nervioso central durante la anestesia con
sevoflurano, propofol y tiopental',Acta Anestesiol. escanear.,2004,48, (2),
págs. 145-153, doi: 10.1111/j.0001-5172.2004.00323.x
20 Hewamalage, H., Bergmeir, C. y Bandara, K.: 'Redes neuronales
recurrentes para la previsión de series temporales: estado actual y
direcciones futuras',En t. J. Pronóstico.,2020,2020,págs. 1–40, doi: 10.1016/
j.ijforecast.2020.06.008
21 Guo, T., Xu, Z., Yao, X.,y otros: 'Robusta predicción de series temporales en
línea con redes neuronales recurrentes'. En t. Conf. Ciencia de datos y
análisis avanzado, Montreal, QC, Canadá, octubre de 2016, págs. 816–825,
doi: 10.1109/DSAA.2016.92
22 Connor, JT, Martin, RD y Atlas, LE: 'Redes neuronales recurrentes y predicción
sólida de series temporales',Traducción IEEE. Red neuronal,1994,5,
(2), págs. 240–254, doi: 10.1109/72.279188
23 Graves, A., Fernández, S. y Schmidhuber, J.: 'Bidireccional
Redes LSTM para mejorar la clasificación y el reconocimiento de fonemas
'. En t. Conf. Redes neuronales artificiales: modelos formales y sus
aplicaciones, Varsovia, Polonia, septiembre de 2005, doi: 10.1007/
11550907_126
24 Mandrekar, JN: 'Curva característica operativa del receptor en la
evaluación de pruebas de diagnóstico',J. Torác. oncol.,2010,5, (9), págs.
1315-1316, doi: 10.1097/JTO.0b013e3181ec173d
vol. 56 Núm. 25 págs. 1364-1367