Evaluación del diseño de una interfaz cerebro-computadora para detección de emociones

Ramón Sidonio Aparicio-García; Gustavo Juárez-Gracia; Jesús Alvarez-Cedillo; Jacobo Sandoval-Gutiérrez; Blanca Tovar-Corona

doi:10.6036/8862

Evaluación del diseño de una interfaz cerebro-computadora para detección de emociones

Ramón Sidonio Aparicio-García, Gustavo Juárez-Gracia, Jesús Alvarez-Cedillo, Jacobo Sandoval-Gutiérrez, Blanca Tovar-Corona

Centro de Investigación en Ciencia Aplicada y Tecnología Avanzada (CICATA), Unidad Legaria
Unidad Profesional Interdisciplinaria de Ingeniería y Ciencias Sociales y Administrativas (UPIICSA)
Unidad Profesional Interdisciplinaria de Ingeniería y Tecnologías Avanzadas (UPIITA)

Producción científica: Contribución a una revista › Comentario/Debate

1 Cita (Scopus)

Título traducido de la contribución	Evaluation of the design of a brain-computer interface for emotion detection
Idioma original	Español
Páginas (desde-hasta)	468
Número de páginas	1
Publicación	Dyna (Spain)
Volumen	93
N.º	5
DOI	https://doi.org/10.6036/8862
Estado	Publicada - 1 sep. 2018

Acceder al documento

10.6036/8862

Otros archivos y enlaces

Enlace a la publicación en Scopus

Citar esto

@article{b522ee8bc209417480f72d17217b6420,

title = "Evaluaci{\'o}n del dise{\~n}o de una interfaz cerebro-computadora para detecci{\'o}n de emociones",

author = "Aparicio-Garc{\'i}a, {Ram{\'o}n Sidonio} and Gustavo Ju{\'a}rez-Gracia and Jes{\'u}s Alvarez-Cedillo and Jacobo Sandoval-Guti{\'e}rrez and Blanca Tovar-Corona",

note = "Funding Information: La aportaci{\'o}n presentada en la extrac- ci{\'o}n de caracter{\'i}sticas por la descompo-sici{\'o}n wavelet es la propiedad de multi-resoluci{\'o}n, {\'u}til al an{\'a}lisis del comporta-miento frecuencial y los cambios tempo-rales de la se{\~n}al. Haciendo un comparativo para los m{\'e}todos de b{\'u}squeda-selecci{\'o}n, con la selecci{\'o}n individual de caracter{\'i}sti-cas se obtuvieron los mejores desempe{\~n}os para el caso de las clases de arousal, sien-do un clasificador Naive-Bayes el de mayor porcentaje de asertividad. Para el caso de valencia, se tienen diferencias m{\'i}nimas entre el resultado del m{\'e}todo de selecci{\'o}n de subconjuntos e individual, en donde no hubo mayor ventaja para cualquiera de los clasificadores. De los resultados revisados en [2] se puede observar, para la clasifica-ci{\'o}n de acuerdo al eje de arousal, que en la mayor{\'i}a de casos los valores de la Entro-p{\'i}a Relativa de Wavelet (RWE o coeficien-tes ρ) de las ondas beta, resultaron ser las variables m{\'a}s descriptivas; mientras que la informaci{\'o}n relacionada con las ondas alfa y teta, as{\'i} como del cuantificador de la Entrop{\'i}a de Wavelet Total Normalizada (NTWS), tuvieron un menor impacto. La mayor contribuci{\'o}n de informaci{\'o}n {\'u}til durante la clasificaci{\'o}n de se{\~n}ales res-pecto al eje de valencia, la proporcionaron las variables atributo relacionadas con el comportamiento de las ondas beta y alfa, siendo s{\'o}lo reducidos casos en los que las ondas teta y el descriptor NTWS tuvieron relevancia. El cuantificador RWS no pro-porcion{\'o} informaci{\'o}n {\'u}til durante la cla-sificaci{\'o}n para ninguno de los dos casos. Despu{\'e}s de haber aplicado el m{\'e}todo de reducci{\'o}n de caracter{\'i}sticas, se cumpli{\'o} con verificar que para reducir el n{\'u}mero de variables, se descartaron algunas poco descriptivas como las concernientes al cuantificador SWR y las relacionadas al c{\'a}lculo de la entrop{\'i}a de Shannon de la se{\~n}al para los tres tipos de onda. Un an{\'a}-lisis realizado sobre las se{\~n}ales provenien-tes del sensor Fp1 demostr{\'o} que puede ser aplicable para la detecci{\'o}n siempre que se realice un entrenamiento previo de la in-terfaz conectada al usuario final.",

year = "2018",

month = sep,

day = "1",

doi = "10.6036/8862",

language = "Espa{\~n}ol",

volume = "93",

pages = "468",

journal = "Dyna (Spain)",

issn = "0012-7361",

number = "5",

}

TY - JOUR

T1 - Evaluación del diseño de una interfaz cerebro-computadora para detección de emociones

AU - Aparicio-García, Ramón Sidonio

AU - Juárez-Gracia, Gustavo

AU - Alvarez-Cedillo, Jesús

AU - Sandoval-Gutiérrez, Jacobo

AU - Tovar-Corona, Blanca

N1 - Funding Information: La aportación presentada en la extrac- ción de características por la descompo-sición wavelet es la propiedad de multi-resolución, útil al análisis del comporta-miento frecuencial y los cambios tempo-rales de la señal. Haciendo un comparativo para los métodos de búsqueda-selección, con la selección individual de característi-cas se obtuvieron los mejores desempeños para el caso de las clases de arousal, sien-do un clasificador Naive-Bayes el de mayor porcentaje de asertividad. Para el caso de valencia, se tienen diferencias mínimas entre el resultado del método de selección de subconjuntos e individual, en donde no hubo mayor ventaja para cualquiera de los clasificadores. De los resultados revisados en [2] se puede observar, para la clasifica-ción de acuerdo al eje de arousal, que en la mayoría de casos los valores de la Entro-pía Relativa de Wavelet (RWE o coeficien-tes ρ) de las ondas beta, resultaron ser las variables más descriptivas; mientras que la información relacionada con las ondas alfa y teta, así como del cuantificador de la Entropía de Wavelet Total Normalizada (NTWS), tuvieron un menor impacto. La mayor contribución de información útil durante la clasificación de señales res-pecto al eje de valencia, la proporcionaron las variables atributo relacionadas con el comportamiento de las ondas beta y alfa, siendo sólo reducidos casos en los que las ondas teta y el descriptor NTWS tuvieron relevancia. El cuantificador RWS no pro-porcionó información útil durante la cla-sificación para ninguno de los dos casos. Después de haber aplicado el método de reducción de características, se cumplió con verificar que para reducir el número de variables, se descartaron algunas poco descriptivas como las concernientes al cuantificador SWR y las relacionadas al cálculo de la entropía de Shannon de la señal para los tres tipos de onda. Un aná-lisis realizado sobre las señales provenien-tes del sensor Fp1 demostró que puede ser aplicable para la detección siempre que se realice un entrenamiento previo de la in-terfaz conectada al usuario final.

PY - 2018/9/1

Y1 - 2018/9/1

UR - http://www.scopus.com/inward/record.url?scp=85054782021&partnerID=8YFLogxK

U2 - 10.6036/8862

DO - 10.6036/8862

M3 - Comentario/Debate

AN - SCOPUS:85054782021

SN - 0012-7361

VL - 93

SP - 468

JO - Dyna (Spain)

JF - Dyna (Spain)

IS - 5

ER -