Enfoque combinado de correlación ponderada de características para mejorar el reconocimiento emocional basado en EEG en conjuntos de datos diversos

Resumen

El artículo se centra en el reconocimiento emocional basado en EEG, que es un campo emergente en neurociencia y computación emocional. Los métodos lineales tradicionales son insuficientes, ya que es imposible representar estructuras emocionales complicadas en vídeo. Para abordar esto, los autores proponen un nuevo modelo, la Correlación Combinada de Características Ponderadas (CWFC), que captura las relaciones emocionales. Tras el filtrado paso de bandas, el modelo emplea el Análisis de Componentes Independientes (ICA), la Transformada de Wavelet Discreta (DWT) y la Transformada de Fourier Rápida (FFT) para extraer características no lineales del EEG. En este caso, la mejor característica es seleccionada por LSTM y estas características se evalúan mediante el Clasificador de Bosque Aleatorio. Introducción La ampliación de datos basada en Red Generativa Adversarial (GAN) ofrece una precisión del 88% (para la valencia) y del 86% (para la evaluación de resultados de pruebas. La activación propuesta basada en GAN) en el conjunto de datos DEAP, que es muy alta en aumento de datos, ha podido mejorar el rendimiento cuando el rendimiento. El modelo valida que CWFC es beneficioso en todos los conjuntos de datos, ya que ofrece una precisión global de clasificación del 89% para los estados emocionales en el conjunto de datos SEED.

Resumen

El reconocimiento emocional mediante señales EEG es un área activa de investigación en computación afectiva y neurociencia, que ayuda a los científicos en su búsqueda para comprender los procesos cerebrales implicados en las emociones. A diferencia de los trabajos existentes que se centraban en las características lineales del EEG, el presente trabajo se centra en las características no lineales para caracterizar mejor los cambios más finos de la respuesta emocional. Inspirado en esto, en el artículo actual, el método propuesto se llama Correlación Combinada de Características Ponderadas (CWFC) para investigar el efecto de los componentes no lineales en el rendimiento de la detección emocional. Como primer paso, los datos del EEG se recogen y preprocesan utilizando filtros pasa banda para separar las bandas de frecuencia como beta, alfa, gamma, delta y theta. Para detectar patrones emocionales complejos, la extracción de características se realiza mediante Análisis Independiente de Componentes (ICA), DWT (Transformada Discreta de Ondas) y FFT (Transformada Rápida de Fourier). Estas características pueden integrarse como características combinadas en el modelo CWFCC para mejorar su potencia así como su precisión predictiva general. Luego aplica un clasificador de Bosque Aleatorio para ver cuán significativas son estas características combinadas. El trabajo propuesto integra la ampliación de datos GAN tras la selección óptima de características (con énfasis en LSTM). En el conjunto de datos DEAP, esta mejora da como resultado una asombrosa precisión de valencia del 88% y del 86% de la activación, lo que mejora notablemente la precisión del reconocimiento de emociones. El modelo propuesto alcanzó una valencia y una precisión de activación del 62% y 65%, respectivamente, en el DEAP temprano sin aumento de datos GAN. Además, este modelo puede distinguir entre el conjunto de datos SEED durante estados emocionales neutrales, negativos y positivos con una precisión media del 89%. El artículo propuesto proclama el rendimiento superior del modelo CWFC con aumento de datos basado en GAN en EEG para el reconocimiento emocional en diferentes conjuntos de datos mediante análisis en profundidad y estudios comparativos.

Introducción

El reconocimiento emocional es importante en la interacción y la comunicación humana. Para establecer conexiones interpersonales exitosas, es necesario ser capaz de percibir y comprender las emociones, lo que tiene implicaciones de gran alcance en ámbitos tan diversos como la psicología, la neurología y la interacción^{humano-ordenador 1}. En los últimos años, la BCI (Interfaz Cerebro-Computadora) basada en electroencefalograma (EEG) ha sido una herramienta de mérito en la que los investigadores se han centrado para detectar emociones. Aunque la BCI basada en EEG ofrece una ventana directa a la actividad eléctrica del cerebro humano y una herramienta de investigación adecuada para explorar estados emocionales. La clasificación automática y precisa de estados emocionales ha transformado fundamentalmente el área del reconocimiento emocional mediante técnicas de aprendizaje automático y^{BCI 2} basada en EEG.

En el trabajo anterior se introdujo el reconocimiento emocional y su importancia en diversos campos, incluyendo la salud, la interacción humano-computadora y la^{neurociencia 3}. A pesar de los avances sustanciales, persiste una clara brecha en la investigación en los estudios actuales de reconocimiento emocional basados en EEG. En primer lugar, los enfoques introducidos en la literatura utilizan la extracción de características de dominio único (por ejemplo, características espectrales o de frecuencia temporal) o descriptores singulares no lineales disponibles y aislables, que no ofrecen suficiente para modelar trabajando solo con una representación parcial de señales EEG inherentemente complejas y no estacionarias. Segundo, aunque se ha reportado que una variedad de características no lineales tienen un poder discriminativo superior, normalmente se utilizan por separado y aíslan las relaciones entre estas características entre dominios. Esta limitación les hace menos capaces de modelar la dinámica multiescala y a nivel de fuente implicada con la activación cerebral emocional. En tercer lugar, la mayoría de los métodos de aprendizaje profundo están diseñados para optimizar el rendimiento en la clasificación, pero sin considerar la interpretabilidad de características, la reducción de redundancia y la robustez en presencia de desequilibrio de clases. En consecuencia, la generalización entre conjuntos de datos sigue siendo un problema abierto entre investigaciones con diferentes configuraciones de electrodos, tasa de muestreo (128–256 Hz) y duración de registro (30–60 s). Las principales dimensiones de la inteligencia emocional se presentan en la Figura 1.

Para superar tales inconvenientes, en este artículo introducimos un marco de Concatenación Combinada de Características Ponderadas (CWFC) que agrega características no lineales multidominio en una sola arquitectura. En lugar de tratar la ACI, la DWT y la FFT como métodos de extracción independientes como los enfoques convencionales, modelamos la descomposición a nivel de fuente (ACI), la dinámica temporal multirresolución (DWT) y las representaciones de potencia espectral (FFT) mediante una correlación ponderada. Esta estructura puede ayudar al modelo a utilizar información neuronal complementaria y reducir la redundancia para aumentar la capacidad discriminativa. Además, se emplean tanto la clasificación de importancia de características como la aumentación basada en GAN para lograr la robustez en el menor número posible de muestras de EEG desequilibradas. Integrando relaciones de características multimodales y dependencias temporales mediante la clasificación LSTM, el modelo combinado mejora la generalización entre diversas condiciones de adquisición del EEG. Así, la principal contribución de este trabajo es superar la falta de integración entre representaciones EEG no lineales y la insuficiente generalización en los métodos existentes, e introdujo un marco sistemático, reproducible y estable de reconocimiento emocional en aplicaciones BCI reales.

Figura 1: Fases de la inteligencia emocional. Las fases de la inteligencia emocional representan cómo se puede extraer el reconocimiento emocional a partir de señales EEG, y luego su uso en el diagnóstico y seguimiento de problemas emocionales en evaluaciones de salud mental. Por favor, haz clic aquí para ver una versión ampliada de esta figura.

Las características de EEG no lineales para la investigación en reconocimiento emocional ofrecen una comprensión más profunda de los procesos neuronales implicados en el procesamiento afectivo. Siendo una técnica no invasiva de alta resolución temporal y sensible a dinámicas neuronales rápidas, el EEG se ha utilizado ampliamente para el estudio de la actividad cerebral relacionada con estados emocionales. Los métodos no lineales son especialmente apropiados para el estudio de señales EEG, debido a su naturaleza no estacionaria y compleja, que constituye un mejor modelo tanto de su actividad evocada como inducida en procesos emocionales. En cualquier número de modelos computacionales, la emoción se representa con referencia a modelos teóricos existentes como el Modelo Básico de^{Emoción 4} (BEM) y el Modelo Circunplex ^5,6. Dos concepciones estructuralmente y funcionalmente distintas de la emoción son el modelo de Emoción Básica, que asume que existe un conjunto de emociones fundamentales fundamentales^basadas biológicamente ^7,8 (especialmente el amor), y el Modelo Circunplex que organiza la emoción según dos dimensiones subyacentes: valencia⁹ (positiva–negativa) y excitación^10,11 (baja–alta). El marco valencia-activación mostrado en la Figura 2 es prevalente en estudios de reconocimiento emocional basados en EEG, principalmente por su alineación con los conjuntos de datos estándar y su aplicabilidad para modelar estados emocionales continuos. Esta representación basada en dimensiones ofrece un medio sistemático y cuantificable para mapear la actividad neuronal en categorías emocionales y, por tanto, puede facilitar la clasificación basada en aprendizaje automático.

Figura 2: Representación de la emoción valencia-excitación. Diagrama de dos ejes que muestra estados emocionales, con la valencia indicando sentimientos positivos o negativos y la excitación reflejando una intensidad emocional baja a alta. Por favor, haz clic aquí para ver una versión ampliada de esta figura.

La excitación es la intensidad emocional, la valencia es positiva o negativa. El análisis emocional se ha centrado recientemente en el EEG para sondear los correlatos neuronales de las emociones. La extracción de características es muy importante, ya que mapea el EEG en cantidades en el dominio tiempo, frecuencia y tiempo-frecuencia. Algunas de las características no lineales más comunes son la Entropía de^{Wavelet 12}, Dimensión de Correlación¹³, y este estudio propuesto utiliza un enfoque ponderado combinado que es una fusión de DWT, ICA y FFT¹³. Los conjuntos de datos estándar DEAP¹⁴ y SEED¹⁵ están disponibles para su evaluación reproducible. Las características lineales tradicionales a menudo ya no son adecuadas, lo que requiere el diseño de enfoques no^{lineales 16}. Los patrones emocionales basados en bandas de frecuencia se muestran en la Figura 2, y los pesos de las contribuciones de las bandas EEG se enumeran en la Tabla 1.

Banda de frecuencia diferente	Rango de bandas de frecuencia en Hz	Funciones de la banda de frecuencia en el reconocimiento de emociones
Gamma	Más de 30 Hz	La integración de datos emocionales y la sincronización de varias regiones cerebrales durante el procesamiento emocional podrían reflejarse en la actividad gamma.
Beta	Entre 13 y 30 Hz	Las variaciones en la potencia beta pueden ser un signo de excitación emocional y de las reacciones motoras asociadas a las manifestaciones emocionales.
Alfa	Entre 8 y 13 Hz	Los estados emocionales y las variaciones en el poder alfa, especialmente la asimetría alfa, están relacionados. Cuando se excita emocionalmente y se presta más atención a las estímulas emocionales, se observa con frecuencia una disminución del poder alfa.
Theta	Entre 4 y 8 Hz	Las experiencias emocionales pueden asociarse con un aumento del poder theta, lo que puede ayudar en la codificación y recuperación de recuerdos emocionales.
Delta	0,5-4 Hz	Un aumento en la actividad delta en el contexto de la detección emocional podría indicar un estado emocional relajado o en reposo.

Tabla 1: Funciones de la banda de frecuencia EEG en el reconocimiento de emociones junto con diferentes rangos. Esta tabla describe las bandas de frecuencia EEG comúnmente reconocidas, especifica sus respectivos rangos de frecuencia y describe su importancia funcional en la investigación en reconocimiento emocional. Destaca cómo cada banda está asociada con diferentes procesos cognitivos y afectivos, proporcionando una base para interpretar las señales EEG en la clasificación del estado emocional.

El desarrollo reciente del reconocimiento emocional basado en EEG se ve estimulado por los avances en aprendizaje profundo y procesamiento no lineal de señales. Los modelos basados en CNN lograron un alto rendimiento usando selección de electrodos y sintonización de hiperparámetros¹⁷, mientras que el modelo CNN independiente del sujeto usando entropía diferencial dinámica mejoró la portabilidad y redujo^{la complejidad 18}. Pero los modelos para este problema normalmente no pueden generalizarse entre temas. Para modelar dependencias de secuencias, se propusieron arquitecturas LSTM basadas en atención con mecanismos de adaptación^{de dominios 19,20} que requieren un gran cálculo y carecen de interpretabilidad. Más allá del ámbito de las redes profundas, los métodos no lineales y topológicos también han recibido un interés considerable. Mediante el uso de análisis persistente basado en homología basada en el espacio de fases, se obtuvo una mayor discriminación para estados emocionales^{sutiles 21,22}. Se sabe que los métodos de conjunto combinando resultados de entropía y fractales con diversas selecciones de características son predictores mejorados. Los modelos híbridos CNN–^{LSTM 23} superaron la clasificación directa valencia–activación en DEAP²⁴ y los CNN multicolumna explotaron efectivamente la distribución espacial^{de los electrodos en 25}. Se evaluaron los Topographic Feature^{Maps 26,27} (TOPO-FM) y las representaciones basadas en Holographic Feature Maps (HOLO-FM) en varios conjuntos de datos públicos 28,29,30. A pesar de que estos resultados muestran avances sustanciales en la precisión de la clasificación, aún persisten desafíos respecto a la generalización y interpretabilidad entre sujetos del modelo y la robustez sobre la heterogeneidad de las condiciones de adquisición del EEG. El autor³¹ ofrece una amplia visión sobre los principales desafíos, enfoques y nuevas direcciones en esta área, centrándose en la calidad de la señal, la extracción de características y la escalabilidad en Computación Soft Aplicada. En un trabajo^{relacionado 32}, la medida avanzada de conectividad funcional corrigió la correlación de la envolvente de amplitud a través de diferentes bandas de frecuencia EEG para identificar condiciones adversas de conducción, destacando la fortaleza de la conectividad multibanda para la monitorización conductual en momento real.

En una relación más amplia de^{neuroimagen 33,36}, una visión general sólida de métodos de aprendizaje multimodales que combinan diferentes señales como EEG y expresiones faciales o datos fisiológicos para una detección emocional más fiable, con referencia a demostrar el potencial de integración de modalidades que eleva considerablemente el rendimiento en sistemas de IA. Además de DEAP y SEED, el conjunto de datos DREAMER es también una incorporación reciente a los referentes representativos en estudios de reconocimiento emocional basados en EEG. DREAMER fue propuesto por Katsigiannis y Ramzan³⁷ y contiene señales de EEG y ECG obtenidas de sujetos que observan los estímulos emocionales audiovisuales con un dispositivo inalámbrico económico. El contenido del conjunto de datos es aplicable para la modelización dimensional de emociones con jerarquías de valencia, excitación y dominancia en línea con el modelo circunplexo del afecto. Gracias a su paradigma experimental bien pensado, los conjuntos de datos DREAMER se han utilizado ampliamente para la evaluación de modelos de aprendizaje profundo y reconocimiento emocional independientes del sujeto. Sus aplicaciones permiten compararse con otras bases de datos de representación dimensional de emociones, y también han demostrado que es una alternativa valiosa como complemento a los conjuntos de datos cirrus dance, DEAP y SEED. Estos conjuntos de datos se utilizan ampliamente en estudios de computación afectiva e incluyen registros EEG adquiridos bajo condiciones experimentales controladas con estímulos emocionales estandarizados. Este conjunto de datos consiste en señales EEG de 32 canales de 32 sujetos que recibieron clips de vídeo emocionales. Los datos están anotados sobre valencia y activación. SEED: grabaciones EEG de varias sesiones de sujetos durante experimentos de elicitación emocional basados en películas con etiquetas categóricas de emociones. DREAMER es un conjunto de datos de EEG y ECG registrado durante la inducción emocional mediante una presentación audiovisual de estímulos. Todos los conjuntos de datos se recopilaron originalmente utilizando protocolos estandarizados, configuraciones de hardware y validación de procedimientos de etiquetado según se informó en sus publicaciones originales. Aquí, en este estudio se analizaron señales EEG solo de estos conjuntos de datos.

Protocolo

La investigación no incluyó ningún compromiso directo con sujetos humanos. Todos los conjuntos de datos utilizados en este estudio procedían de plataformas de acceso público y se empleaban de acuerdo con sus políticas de uso declaradas. Por tanto, no era necesaria una aprobación ética formal.

1. Preparación del entorno computacional

1. Prepara un entorno Python (versión 3.8 o superior) en una estación de trabajo estándar.
2. Instala TensorFlow (v2.x), Keras, Scikit-learn, NumPy, SciPy, MNE y PyWavelets usando pip.
3. Fija la semilla aleatoria (semilla = 42) en NumPy y TensorFlow para asegurar resultados experimentales consistentes.

2. Adquisición y estructuración de conjuntos de datos (DEAP, SEMILLA y DREAMER)

1. Obtén los conjuntos de datos EEG de los repositorios públicos de DEAP, SEW y DREAMER. Los conjuntos de datos EEG en bruto utilizados en este estudio están disponibles a través de registros públicos. El conjunto de datos DEAP (http://www.eecs.qmul.ac.uk/mmv/datasets/deap/), SEED (repositorio del laboratorio BCMI: http://bcmi.sjtu.edu.cn/~seed/seed.html) y el conjunto de datos DREAMER pueden ser consultados mediante IEEE Data Port (https://ieee-dataport.org/documents/dreamer-dataset).
2. Extraer grabaciones de EEG en bruto (.dat) de todos los sujetos y ensayos.
3. Convierte las grabaciones a formato de matriz NumPy y organízalas por tema y por prueba para su procesamiento.
4. Lee el conjunto de datos DEAP y extrae los registros EEG de todos los sujetos. Conservar un total de 32 canales EEG (de Fp1 a O2) y eliminar las señales fisiológicas no relacionadas con EEG.
5. Descarga el conjunto de datos SEED y extrae todos los registros de EEG de cada experimento. Reduce a 200 Hz si es necesario. Aplica un filtro pasa banda de 0–75Hz y segmenta las señales en matrices de época (eeg_1 a eeg_15).
6. Etiqueta cada fotograma con emoción (−1: negativo, 0: neutral, +1: positivo) y reorganiza los datos en el tiempo de canal ×.
7. Consigue el conjunto de datos DREAMER y recupera todos los registros EEG de sujetos y ensayos. Elige los canales de EEG disponibles así como las etiquetas emocionales.
8. Categoriza cada experimento en pequeñas ventanas de duración especificada y remodela los datos como matrices estructuradas por sujeto con variables categóricas codificadas para las puntuaciones de valencia, activación y dominancia.
   NOTA: Las especificaciones detalladas del conjunto de datos DEAP preprocesado utilizado para el análisis se resumen en la Tabla 2, mientras que la Figura 3 ilustra la distribución de las puntuaciones de valencia y activación.

Señal registrada en diferentes escalones	Dispositivo EEG (electroencefalograma) por el conjunto de datos DEAP
Datos tomados	24 materias (s02, s04, s05, s06, s07, s08, s09, s10, s11, s12, s13, s14, s15, s16, s17, s18, s19, s20, s21, s22, s23, s24, s25, s26)
Índices de canales	"Fp1", "AF3", "F3", "F7", "FC5", "FC1", "C3", "T7", "CP5", "CP1", "P3", "P7", "PO3", "O1", "Oz", "Pz", "Fp2", "AF4", "Fz", "F4", "F8", "FC6", "FC2", "Cz", "C4", "T8", "CP6", "CP2", "P4", "P8", "PO4", "O2"
Tamaño de la ventana	256
No de vídeo/prueba	40
Tamaño del paso	16 (cada 0,125 seg actualizado una vez)
Frecuencia de muestreo	128 Hz
Lista de asignaturas	32
Emociones	Excitación, Valencia

Tabla 2: EXPLICACIÓN DEL PREPROCESAMIENTO DEL CONJUNTO DE DATOS. Resumen de los pasos de preprocesamiento del conjunto de datos EEG, incluyendo filtrado, eliminación de artefactos, segmentación y normalización, realizados antes de la extracción de características y el entrenamiento del modelo.

Figura 3: Conjunto de datos DEAP Valencia-Representación de activación de los primeros 40 datos. Mapeo Valencia–Excitación de los primeros 40 ensayos EEG del conjunto de datos DEAP, ilustrando la distribución y variabilidad del estado emocional a lo largo de las dos dimensiones. Esta representación proporciona una visión sobre la propagación de las respuestas emocionales y apoya el proceso de extracción de rasgos para la clasificación emocional. Por favor, haz clic aquí para ver una versión ampliada de esta figura.

NOTA: La ubicación de los electrodos EEG en diferentes regiones cerebrales se muestra en la Figura 4. La configuración del canal sigue la colocación estándar de electrodos EEG del cuero cabelludo utilizada para la recogida de datos en los conjuntos de datos DEAP, SEW y DREAMER. Los electrodos se distribuyen en las regiones frontal, temporal, parietal y occipital, permitiendo la cobertura tanto de la actividad neural local como de la distribuida relacionada con el procesamiento emocional.

Figura 4: Representación del electrodo de la señal EEG. Colocación de electrodos en el sistema internacional EEG 10–20 para la adquisición de señales en el cuero cabelludo. Por favor, haz clic aquí para ver una versión ampliada de esta figura.

3. Remuestreo de señales y segmentación de ventanas

1. Reducir la muestra de grabaciones SEED EEG de 512 Hz a 200 Hz usando scipy.signal.resample() para reducir la complejidad computacional. Luego segmenta cada ensayo en ventanas de longitud fija de 256 muestras con un tamaño de paso de 16 muestras.
2. Conservar las tasas de muestreo originales de DEAP y DREAMER (conjuntos de datos de 128 Hz). Tamaño de paso 16 muestras (0,125 s de solapamiento a 128 Hz).
3. Segmentar cada ensayo EEG en ventanas de 256 muestras con un tamaño de paso de 16 muestras para crear segmentos superpuestos.

4. Filtrado pasa-banda y descomposición en frecuencia

1. Define la frecuencia de muestreo (fs) y establece el orden del filtro en 2. Calcula la frecuencia de Nyquist (0,5 × fs) y normaliza las frecuencias de corte.
2. Diseña un filtro pasabanda Butterworth usando scipy.signal.butter().
3. Aplica filtrado de fase cero usando scipy.signal.filtfilt() para evitar la distorsión de fase.
4. Extrae cinco bandas canónicas de frecuencia EEG: delta (0,5–4 Hz), theta (4–8 Hz), alfa (8–13 Hz), beta (13–30 Hz) y gamma (30–45 Hz).

5. Eliminación de artefactos mediante análisis independiente de componentes

1. Aplica FastICA de Scikit-learn con el número de componentes igual al número de canales EEG.
2. Identificar componentes artefactuales utilizando indicadores estadísticos como la varianza y la kurtosis.
3. Retirar los componentes identificados y reconstruir las señales EEG limpias para su análisis posterior.

6. Extracción de características diferenciales de entropía basada en CWFC

1. Calcular la varianza de cada segmento EEG filtrado a lo largo del eje del canal.
2. Calcular la entropía diferencial usando:
3. Extrae valores de entropía para todas las bandas de frecuencia y canales EEG.
4. Almacene las características de entropía resultantes en una matriz estructurada de características.

7. Extracción de características por transformada discreta de wavelet (DWT)

1. Realizar la descomposición de wavelets multinivel usando la wavelet madre "db4".
2. Descompone cada segmento de EEG hasta el nivel 4.
3. Extraer descriptores estadísticos (media, varianza, energía, entropía) de cada nivel de descomposición.
4. Añadir características derivadas de DWT a la matriz de características existente.

8. Extracción de características espectrales usando FFT

1. Aplica la Transformada de Fourier Rápida usando numpy.fft.fft() en cada segmento del EEG.
2. Calcular la densidad de potencia espectral a lo largo de las bandas de frecuencia definidas.
3. Extrae los valores de potencia de banda para todos los canales.
4. Concatena características basadas en FFT con características previamente extraídas.

9. Selección de características mediante Random Forest

1. Entrena un clasificador de Bosque Aleatorio con 300 árboles usando el criterio de impureza de Gini.
2. Establece la profundidad máxima del árbol en 20 y permite el muestreo bootstrap con estimación directa de la bolsa.
3. Clasifica las características basadas en las puntuaciones de importancia.
4. Eliminar características por debajo de un umbral de importancia predefinido para reducir la redundancia.

10. Partición de datos

1. Muestreo estratificado para barajar el conjunto de datos de tal manera que se preserve el equilibrio de clases entre categorías emocionales.
2. Divide el conjunto de datos en 10 pliegues iguales. Con cada iteración, usa 9 pliegues para el entrenamiento y 1 pliegue para las pruebas, asegurándote siempre de que cada pliegue se pruebe una vez.
3. Utiliza este enfoque para cada pliegue y calcula métricas medias de rendimiento (precisión, precisión, recuerdo, puntuación F1) más la desviación estándar para comprobar la estabilidad del modelo.
   NOTA: Realizar todas las divisiones muestra por muestra, asegurando que no se compartan muestras entre los conjuntos de entrenamiento y prueba dentro de cada pliegue.

11. Aumento de datos usando red generativa adversarial

1. Construye un GAN a nivel de características usando la API secuencial de Keras. Define capas totalmente conectadas tanto para redes generadoras como discriminadoras.
2. Entrenar el GAN durante 200 épocas usando vectores de características de clase minoritaria. Genera muestras de características sintéticas a partir del generador entrenado.
3. Conservar solo muestras sintéticas de alta confianza evaluadas por el discriminador. Fusiona las muestras sintéticas seleccionadas con el conjunto de entrenamiento original.

12. Arquitectura del modelo LSTM

1. Construye un modelo LSTM secuencial usando Keras. Añade la primera capa LSTM con 128 unidades ocultas y establece return_sequences=verdadero.
2. Añade una segunda capa LSTM con 128 unidades ocultas. Aplicar dropout (tasa = 0,3) después de cada capa de LSTM para evitar el sobreajuste.
3. Añadir una capa de salida Dense con activación SoftMax para clasificación multiclase.

13. Compilación y formación de modelos

1. Compila el modelo usando el optimizador Adam con una tasa de aprendizaje de 0,001.
2. Utiliza la pérdida categórica de entropía cruzada. Entrenar el modelo con tamaño de lote = 64 para 80 épocas.
3. Aplica la parada temprana con paciencia = 10 según la precisión de validación.

14. Evaluación del desempeño

1. Evalúa el modelo entrenado utilizando el conjunto de datos de prueba independiente. Calcular métricas de rendimiento que incluyen precisión, precisión, recuerdo y puntuación F1.
2. Guarda los pesos entrenados del modelo y los resultados de evaluación para la reproducibilidad. Un oleoducto tan bien organizado garantiza que el marco propuesto pueda reproducirse fácilmente.

Resultados

La recopilación de dos conjuntos de datos diferentes de EEG; DEAP y SEED constituyeron la primera fase del análisis. La Figura 5 muestra el gráfico de Valencia-Activación de LAHV, HALV, LALV y HAHV son formas cortas de baja activación, alta valencia, alta activación, baja valencia, baja activación y alta activación alta valencia, respectivamente. Se han reportado cuatro categorías de respuesta psicológica: HAHV, LAHV, HALV y LALV. Dos características emocionales fundamentales, valencia y...

Discusión

En este artículo, la investigación llevó a cabo una exhaustiva investigación del reconocimiento emocional basado en EEG en dos conjuntos de datos de referencia (es decir, DEAP y SEED) y demostró que el modelo propuesto de CWFC puede capturar eficazmente información discriminatoria relacionada con las emociones. A diferencia de trabajos anteriores basados esencialmente en descripciones lineales o tipos de características, la metodología propuesta unifica diversas extracciones no lineales ...

Materiales

Lista de materiales utilizados en este artículo

Nombre	Empresa	Número de catálogo	Comentarios
Conjunto de datos DEAP	Universidad Queen Mary de Londres	v1.0	Conjunto de datos de emociones EEG
Conjunto de datos DREAMER	IEEE DataPort	Estreno público	Conjunto de datos de emociones EEG
Keras	Google LLC	2.x (backend de TensorFlow)	Modelado de redes neuronales
Estación de trabajo	Lenovo	Intel Core i7, 16 GB RAM, 8 GB NVIDIA GPU	Entrenamiento y cálculo de modelos
MNE-Python	Desarrolladores MNE	1.x	Preprocesamiento EEG
NumPy	Desarrolladores NumPy	1.x	Cálculo numérico
Sistema operativo	Microsoft Corporation	Windows 11 (64 bits)	Plataforma computacional
Python	Fundación de Software Python	3.8+	Entorno de programación
PyWavelets	Desarrolladores de PyWavelets	1.x	Descomposición en wavelet
Scikit-learn	scikit-learn Desarrolladores	1.x	Utilidades de aprendizaje automático
SciPy	Comunidad SciPy	1.x	Procesamiento de señales y remuestreo
Conjunto de datos SEED	Laboratorio BCMI, Universidad Jiao Tong de Shanghái	Estreno público	Conjunto de datos de emociones EEG
TensorFlow	Google LLC	2.x	Marco de aprendizaje profundo