Portal de Eventos da Universidade Federal do Vale do São Francisco (UNIVASF), SCIENTEX-2019

Tamanho da fonte: 
Análise de padrões em sinais fisiológicos para estudo de emoções.
Bruno Fonseca Oliveira Coelho, Ana Beatriz Rodrigues Massaranduba, Rodrigo Pereira Ramos

Última alteração: 2019-11-12

Resumo


Emoções desempenham um papel fundamental nas relações humanas e têm sido estudadas para aplicações em diversas áreas, como o estudo do autismo e percepção musical. A partir disso, inúmeros trabalhos no âmbito da engenharia vêm sendo desenvolvidos numa tentativa de automatizar o processo de reconhecimento de emoções. Este trabalho tem como objetivo classificar automaticamente as emoções em dois tipos (agradáveis x desagradáveis), tendo como variável de entrada sinais de eletroencefalograma (EEG). Foi utilizada uma base de dados pública, disponível gratuitamente na internet, a MAHNOB-HCI Tagging Database. Nessa base, 16 mulheres e 11 homens com idade entre 19 e 40 anos, tiveram diferentes estados emocionais elicitados através de recursos audiovisuais. Em cada uma das 20 sessões, há um trecho inicial de 30 s em que nenhuma emoção é elicitada, em seguida os voluntários assistem trechos de filmes com objetivo de estimular a reação afetiva desejada, e logo após respondem a um questionário. Foram obtidas imagens e áudio ambiente, sinais de eletrocardiograma (ECG), sinais de EEG e eye-tracking em cada uma das sessões. Os sinais de EEG foram capturados através de 32 canais com uma frequência de amostragem de 256 Hz e gravados digitalmente no formato .bdf. A princípio, os sinais foram submetidos a uma etapa de pré-processamento, realizado com auxílio do software MATLAB em conjunto com a toolbox gratuita EEGLab. Nessa etapa, foi feito, primeiramente, um re-referenciamento com base na média de todos os canais com o objetivo de normalizar as amplitudes. Em seguida, a linha de base foi removida, tomando como referência os 30 s iniciais de cada sessão em que não há nenhum estímulo afetivo. Na sequência, foram extraídos apenas os trechos em que as emoções estão sendo de fato elicitadas. Por fim, os sinais foram submetidos a um filtro passa-faixa do tipo FIR com uma banda de passagem entre 0,5 e 100 Hz. Após a etapa de pré-processamento, foram extraídas características temporais e frequenciais dos sinais. Dentre essas características estão compreendidas: Medidas estatísticas, como média, desvio padrão, primeira diferença, segunda diferença e NSI (Non Stationary Index); Hjorth Features, que são as medidas de atividade, mobilidade e complexidade; Potência média avaliada para diferentes faixas de frequência e HOC (Higher Order Crossings). Para a etapa de classificação, foi feito uso do software Weka 3.9. Foi utilizado um seletor de características, ReliefF, com o objetivo de selecionar apenas os atributos com maior relevância estatística. Os classificadores avaliados foram o SVM (Support Vector Machines) com o método de treinamento SMO (Sequential Minimal Optimization), e o algoritmo Random Forest. A metodologia de validação cruzada 10-fold foi empregada. Para avaliação dos resultados obtidos, foi observada a acurácia alcançada pelos dois classificadores, quando a combinação de diferentes características eram utilizadas como vetor de entrada. Observando os resultados, foi possível determinar que o classificador SVM-SMO apresentou um desempenho superior ao Random Forest. Além disso, é possível dizer que a melhor característica a ser utilizada para o propósito deste trabalho é o HOC, pois esta conseguiu uma acurácia de 68,5969%, superior as demais.


Palavras-chave


EEG; Extração de características; Classificadores.