INTRODUZIONE
Molti studi scientifici si sono occupati dello sviluppo di un sistema automatico capace di riconoscere le emozioni basandosi sui segnali cerebrali. Il processo di riconoscimento è estremamente laborioso: il fattore principale che influisce sulla difficoltà di apprendimento emotivo è legato all’instabilità dei segnali cerebrali come risultato di reazioni diverse a stimoli diversi. Recentemente l’analisi dei segnali riguardanti l’elettroencefalografia (EEG), una tecnica per la registrazione dell’attività elettrica dell’encefalo, ha ricevuto molte attenzioni, soprattutto per l’aumento di disponibilità sul mercato di dispositivi di monitoraggio cerebrale. Lo studio riportato nell’articolo è incentrato sull’utilizzo di funzioni di decomposizione in modalità empirica e/o intrinseca (EMD/IMF) e sulla decomposizione in modalità variazionale (VMD) per l’elaborazione del segnale.
CORPO DEL MODELLO
Le varie fasi introdotte per il corretto funzionamento del modello prevedono una fase di rimozione del rumore, una di estrazione e una di classificazione. Nella fase di rimozione del rumore è prevista una pulizia dei dati utilizzando EMD/IMF e filtri VMD al fine di rimuovere eventuali artefatti e rumori del segnale. Nella fase di estrazione, invece, è previsto l’aumento della precisione dei classificatori tramite lo studio dell’entropia di stato (SE) e la dimensione frattale di Higuchi (HFD). L’ultima fase, quella di classificazione, mira a disporre per classi i dati precedentemente filtrati utilizzando quattro procedure specifiche:
–Un classificatore Bayesiano (è una mappatura da uno spazio, discreto o continuo, di feature a un insieme di etichette basata sull’applicazione del teorema di Bayes);
–L’algoritmo k-nearest neighbor (anche detto k-nn, è utilizzato nel riconoscimento di pattern per la classificazione di oggetti basandosi sulle caratteristiche degli oggetti vicini a quello considerato);
–Una rete neurale convoluzionale (CNN);
–Un albero di decisione (anche detto DT, è un grafo riguardante le decisioni e le loro possibili conseguenze).
RISULTATI
Per la valutazione delle prestazioni del modello proposto, gli esperimenti sono stati applicati a un dataset chiamato DEAP che prende in considerazione accuratezza, specificità, sensibilità e altre caratteristiche comuni. Esso è stato comparato con differenti studi affini ed è stato valutato come il più efficiente sia per quanto riguarda i tempi di esecuzione che per la precisione con cui vengono assimilate le emozioni umane. In particolare, gli esperimenti hanno mostrato l’efficienza del metodo proposto con una precisione del 95,20% utilizzando il metodo basato sulla CNN.
Fonte: https://doi.org/10.3390/computers9040095
Dataset DEAP: https://www.eecs.qmul.ac.uk/mmv/datasets/deap/index.html
Progresso scientifico 