Please use this identifier to cite or link to this item: http://dspace.sti.ufcg.edu.br:8080/jspui/handle/riufcg/15950
Title: Reconhecimento de emoções em sinais de EEG via deep learning e reconstrução do espaço de fase.
Other Titles: Recognition of emotions in EEG signals via deep learning and phase space reconstruction
???metadata.dc.creator???: MOTA, Moisés Roberto de Araújo.
???metadata.dc.contributor.advisor1???: GOMES, Herman Martins.
???metadata.dc.contributor.advisor2???: PEREIRA, Eanes Torres.
???metadata.dc.contributor.referee1???: ARAÚJO, Joseana Macêdo Fechine Régis de.
???metadata.dc.contributor.referee2???: ALMEIDA, Carlos Wilson Dantas.
???metadata.dc.contributor.referee3???: ASSIS, Francisco Marcos de.
???metadata.dc.contributor.referee4???: BERNARDINO JUNIOR, Francisco Madeiro.
Keywords: Emotions;Electroencephalogram;Stacked phase;Space images;3D convolutional network;Emoções;Eletroencefalograma;Electroencefalograma;Emociones;Imagens de espaço;Fase empilhadas;Imágenes del espacio;Etapa apilada;Rede convolucional 3D;Red convolucional 3D
Issue Date: 30-Mar-2020
Publisher: Universidade Federal de Campina Grande
Citation: MOTA, M. R. de A. Reconhecimento de emoções em sinais de EEG via deep learning e reconstrução do espaço de fase. 2020. 115 f. Tese (Doutorado em Ciência da Computação) Programa de Pós-graduação em Ciência da Computação, Centro de Engenharia Elétrica e Informática, Universidade Federal de Campina Grande - Paraíba - Brasil, 2020.
???metadata.dc.description.resumo???: Emoções são importantes para os seres humanos, influencia nosso comportamento social, memória e cognição. A área da computação afetiva visa a auxiliar na compreensão dos fenômenos emocionais humanos utilizando sistemas computacionais para isso. Neste contexto, definir, caracterizar e classificar emoções e suas partes constituintes a partir de sinais fisiológicos, como sinais de eletroencefalograma (EEG), expressões faciais, etc., é uma tarefa desafiadora. No entanto, ainda não se conhece um conjunto de características ótimas para o reconhecimento de emoções a partir de sinais de EEG, apesar de existirem características como PSD (power spectral density) e HOC (higher-order crossings), amplamente utilizadas pela comunidade científica. Novas pesquisas têm conseguido avançar substancialmente o estado da arte no que diz respeito ao reconhecimento de emoções a partir de EEG ao considerarem o emprego de características extraídas do espaço de fase desses sinais e classificadores baseados em técnicas de deep learning. Neste contexto, a presente tese investigou o emprego de imagens de reconstrução do espaço de fase de sinais de EEG, que são submetidas à uma rede convolucional 3D (uma das técnicas de deep learning), para aprender automaticamente características do espaço de fase de sinais de EEG para reconhecer diferentes estados emocionais de modo independente do indivíduo. Os resultados dos experimentos demonstraram a viabilidade e competitividade da abordagem proposta utilizando imagens de reconstrução do espaço de fase empilhadas de, apenas um canal de EEG FP1, alcançando acurácias de 0, 84 ± 0, 07, para quatro classes de valência-excitação, e 0, 88 ± 0, 05 para duas classes de valência e 0, 94 ± 0, 01 para duas classes de excitação, ambos utilizando a metodologia de treinamento e classificação do tipo LOSO (leave-one-subject-out). Esses resultados, além de reduzir a quantidade de canais necessários para a classificação ao mínimo possível, contribui para avançar o estado da arte ao apresentar uma nova abordagem para a classificação de emoções a partir de sinais de EEG.
Abstract: Emotions are important for human beings, it influences our social behavior, memory and cognition. The affective computing area aims to assist in the understanding of human emotional phenomena using computer systems for this. In this context, defining, charac- terizing and classifying emotions and their constituent parts based on physiological signals, such as electroencephalogram signals (EEG), facial expressions, etc, is a challenging task. However, a optimal characteristics set for recognizing emotions from EEG signals is not yet known, although there are characteristics such as PSD (power spectral density) and HOC (higher-order crossings), widely used by the scientific community. New researches have substantially advanced the state of the art with regard to the recognition of emotions from EEG when considering the use of characteristics extracted from the phase space of these signals and classifiers based on deep learning techniques. In this context, the present thesis investigated the use of reconstruction of the EEG signals images of phase space, which are subjected to a 3D convolutional network (one of the deep learning techniques), to automatically learn the EEG signal space phase characteristics to recognize different emotional states independently of the individual. The results of the experiments demonstrated the feasibility and competitiveness of the proposed approach using images of the stacked phase space reconstruction of only one EEG FP1 channel, reaching accuracy of 0, 84 ± 0, 07, for four valence-arousal classes, and 0, 88 ± 0, 05 for two valence classes and 0, 94 ± 0, 01 for two arousal classes, both using the training and classification methodology of the LOSO type (leave-one-subject-out). These results, in addition to reducing the number of channels required for classification to the minimum possible, contribute to advancing the state of the art by presenting a new approach to the emotions classification based on EEG signals.
Keywords: Emotions
Electroencephalogram
Stacked phase
Space images
3D convolutional network
Emoções
Eletroencefalograma
Electroencefalograma
Emociones
Imagens de espaço
Fase empilhadas
Imágenes del espacio
Etapa apilada
Rede convolucional 3D
Red convolucional 3D
???metadata.dc.subject.cnpq???: Ciência da Computação
URI: http://dspace.sti.ufcg.edu.br:8080/jspui/handle/riufcg/15950
Appears in Collections:Doutorado em Ciência da Computação.

Files in This Item:
File Description SizeFormat 
MOISÉS ROBERTO DE ARAÚJO MOTA – TESE (PPGCC) 2020.pdf14.12 MBAdobe PDFView/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.