DETECCIÓN Y CLASIFICACIÓN DE EMOCIONES MEDIANTE SEÑALES EEG OBTENIDAS DEL DISPOSITIVO EMOTIV EPOC - Saavedra Villafruela, Inés

Abstract

Este proyecto consiste en desarrollar un modelo de Machine Learning capaz de clasificar las emociones de tristeza y felicidad a partir de datos EEG capturados con la diadema Emotiv Epoc X de 14 canales, no invasiva y portátil. Se seleccionan 20 voluntarios para realizar el experimento que consiste en un video de 7 minutos en el que se muestra una escena triste de la película Titanic y una escena feliz de la película Mamma Mia!. Las señales EEG se preprocesan con filtros paso banda y se segmentan en ventanas deslizantes. Una vez realizado el preprocesamiento, se calculan dos métricas clave: Arousal (nivel de activación) y Valencia (polaridad positiva o negativa) en las bandas de frecuencia Alpha y Beta. Para la clasificación se utilizan algoritmos como LDA, SVM y XGBoost. Los modelos que se entrenan para cada sujeto logran precisiones promedio de 70%, aunque presentan variaciones significativas entre sujetos. Por ello, se plantea un clasificador que toma 15 sujetos aleatorios para entrenar y 5 para validar bajo la técnica de validación cruzada. Los resultados muestran que es posible clasificar las emociones de felicidad y tristeza con precisión utilizando dispositivos EEG portátiles y de bajo coste. Sin embargo, el estudio se vio limitado por el tamaño muestral y el análisis de solo dos emociones. En futuros trabajos se sugiere ampliar el tamaño muestral y las emociones estudiadas para poder aplicar redes neuronales y aumentar la capacidad predictiva.

This project consists of developing a Machine Learning model capable of classifying the emotions of sadness and happiness from EEG data captured with the Emotiv Epoc X 14-channel, non-invasive and portable headset. Twenty volunteers are selected to perform the experiment consisting of a 7-minute video showing a sad scene from the movie Titanic and a happy scene from the movie Mamma Mia! The EEG signals are preprocessed with bandpass filters and segmented into sliding windows. After preprocessing, two key metrics are calculated: Arousal (activation level) and Valence (positive or negative polarity) in the Alpha and Beta frequency bands. Algorithms such as LDA, SVM or XGBoost are used for classification. The models trained for each subject achieve average accuracies of 70%, although they present significant variations between subjects. Therefore, we propose a classifier that takes 15 random subjects to train and 5 to validate following a cross validation approach. The results show that it is possible to accurately classify the emotions of happiness and sadness using low-cost, portable EEG devices. However, the study was limited by the sample size and the analysis of only two emotions. Future work suggests expanding the sample size and the emotions studied in order to be able to apply neural networks and increase the predictive capacity.