Crédito:Hwang et al.
Os avanços recentes no aprendizado de máquina permitiram o desenvolvimento de técnicas para detectar e reconhecer as emoções humanas. Algumas dessas técnicas funcionam analisando sinais de eletroencefalografia (EEG), que são essencialmente gravações da atividade elétrica do cérebro coletadas do couro cabeludo de uma pessoa.
A maioria dos métodos de classificação de emoções baseados em EEG introduzidos ao longo da última década ou então empregam técnicas tradicionais de aprendizado de máquina (ML), como modelos de máquina de vetor de suporte (SVM), como esses modelos requerem menos amostras de treinamento e ainda há uma falta de conjuntos de dados de EEG em grande escala. Recentemente, Contudo, pesquisadores compilaram e lançaram vários novos conjuntos de dados contendo gravações cerebrais de EEG.
O lançamento desses conjuntos de dados abre novas possibilidades empolgantes para o reconhecimento de emoções baseado em EEG, pois podem ser usados para treinar modelos de aprendizado profundo que alcançam um desempenho melhor do que as técnicas tradicionais de ML. Infelizmente, Contudo, a baixa resolução dos sinais de EEG contidos nesses conjuntos de dados pode dificultar bastante os modelos de treinamento de aprendizado profundo.
"Problemas de baixa resolução continuam sendo um problema para a classificação de emoções baseada em EEG, "Sunhee Hwang, um dos pesquisadores que realizou o estudo, disse TechXplore. “Temos uma ideia para resolver este problema, que envolve a geração de imagens de EEG de alta resolução. "
Para melhorar a resolução dos dados de EEG disponíveis, Hwang e seus colegas primeiro geraram os chamados "recursos de entropia diferencial de preservação de topologia" usando as coordenadas do eletrodo no momento em que os dados foram coletados. Subseqüentemente, eles desenvolveram uma rede neural convolucional (CNN) e a treinaram com os dados atualizados, ensinando-o a estimar três classes gerais de emoções (ou seja, positivo, neutro e negativo).
Crédito:Hwang et al.
"Métodos anteriores tendem a ignorar as informações de topologia dos recursos de EEG, mas nosso método aprimora a representação de EEG ao aprender as imagens de EEG de alta resolução geradas, "Hwang disse." Nosso método re-agrupa os recursos de EEG por meio da CNN proposta, que permite o efeito de agrupamento para alcançar uma melhor representação. "
Os pesquisadores treinaram e avaliaram sua abordagem no conjunto de dados SEED, que contém sinais de EEG de 62 canais. Eles descobriram que seu método podia classificar as emoções com uma notável precisão média de 90,41 por cento, superando outras técnicas de aprendizado de máquina para reconhecimento de emoção baseado em EEG.
"Se os sinais de EEG forem gravados de diferentes clipes emocionais, os recursos originais de DE não podem ser agrupados, "Hwang acrescentou." Também aplicamos nosso método na tarefa de estimar a vigilância do motorista para mostrar sua disponibilidade imediata. "
No futuro, o método proposto por Hwang e seus colegas pode informar o desenvolvimento de novas ferramentas de reconhecimento de emoções baseadas em EEG, uma vez que apresenta uma solução viável para superar os problemas associados à baixa resolução dos dados de EEG. A mesma abordagem também pode ser aplicada a outros modelos de aprendizagem profunda para a análise de dados de EEG, mesmo aqueles projetados para algo diferente de classificar as emoções humanas.
"Para tarefas de visão computacional, conjuntos de dados em grande escala possibilitaram o grande sucesso de modelos de aprendizado profundo para classificação de imagens, alguns dos quais foram além do desempenho humano, "Hwang disse." Além disso, o pré-processamento de dados complexos não é mais necessário. Em nosso trabalho futuro, esperamos gerar conjuntos de dados EEG em grande escala usando uma rede adversária gerada (GAN). "
© 2019 Science X Network