I recenti progressi nell'apprendimento automatico hanno consentito lo sviluppo di tecniche per rilevare e riconoscere le emozioni umane. Alcune di queste tecniche funzionano analizzando i segnali dell'elettroencefalografia (EEG), che sono essenzialmente registrazioni dell'attività elettrica del cervello raccolte dal cuoio capelluto di una persona.

La maggior parte dei metodi di classificazione delle emozioni basati su EEG introdotti nell'ultimo decennio circa impiega tecniche tradizionali di apprendimento automatico (ML) come i modelli di macchine vettoriali di supporto (SVM), poiché questi modelli richiedono meno campioni di addestramento e mancano ancora set di dati EEG su larga scala. Recentemente, però, i ricercatori hanno compilato e rilasciato diversi nuovi set di dati contenenti registrazioni cerebrali EEG.

Il rilascio di questi set di dati apre nuove entusiasmanti possibilità per il riconoscimento delle emozioni basato sull'EEG, in quanto potrebbero essere utilizzati per addestrare modelli di deep learning che ottengono prestazioni migliori rispetto alle tradizionali tecniche di machine learning. Sfortunatamente, però, la bassa risoluzione dei segnali EEG contenuti in questi dataset potrebbe rendere piuttosto difficile l'addestramento di modelli di deep learning.

"I problemi a bassa risoluzione rimangono un problema per la classificazione delle emozioni basata sull'EEG, " Sunhee Hwang, uno dei ricercatori che ha condotto lo studio, ha detto a TechXplore. "Abbiamo avuto un'idea per risolvere questo problema, che comporta la generazione di immagini EEG ad alta risoluzione."

Per migliorare la risoluzione dei dati EEG disponibili, Hwang e i suoi colleghi hanno inizialmente generato le cosiddette "caratteristiche di entropia differenziale che preservano la topologia" utilizzando le coordinate degli elettrodi nel momento in cui i dati sono stati raccolti. Successivamente, hanno sviluppato una rete neurale convoluzionale (CNN) e l'hanno addestrata sui dati aggiornati, insegnandogli a stimare tre classi generali di emozioni (cioè, positivo, neutro e negativo).

"I metodi precedenti tendono a ignorare le informazioni sulla topologia delle caratteristiche EEG, ma il nostro metodo migliora la rappresentazione EEG imparando le immagini EEG ad alta risoluzione generate, " Ha detto Hwang. "Il nostro metodo raggruppa nuovamente le caratteristiche dell'EEG tramite la CNN proposta, che consente all'effetto del raggruppamento di ottenere una migliore rappresentazione."

I ricercatori hanno formato e valutato il loro approccio sul set di dati SEED, che contiene segnali EEG a 62 canali. Hanno scoperto che il loro metodo poteva classificare le emozioni con una notevole precisione media del 90,41%, superando altre tecniche di apprendimento automatico per il riconoscimento delle emozioni basato sull'EEG.

"Se i segnali EEG sono registrati da clip emotive diverse, le caratteristiche DE originali non possono essere raggruppate, " Ha aggiunto Hwang. "Abbiamo anche applicato il nostro metodo al compito di stimare la vigilanza di un conducente per mostrare la sua disponibilità immediata".

Nel futuro, il metodo proposto da Hwang e dai suoi colleghi potrebbe informare lo sviluppo di nuovi strumenti di riconoscimento delle emozioni basati sull'EEG, in quanto introduce una soluzione praticabile per superare i problemi associati alla bassa risoluzione dei dati EEG. Lo stesso approccio potrebbe essere applicato anche ad altri modelli di deep learning per l'analisi dei dati EEG, anche quelli progettati per qualcosa di diverso dalla classificazione delle emozioni umane.

"Per le attività di visione artificiale, set di dati su larga scala hanno consentito l'enorme successo dei modelli di deep learning per la classificazione delle immagini, alcuni dei quali sono andati oltre le prestazioni umane, " disse Hwang. "Inoltre, non è più necessaria una complessa pre-elaborazione dei dati. Nel nostro lavoro futuro, speriamo di generare set di dati EEG su larga scala utilizzando una rete contraddittoria generata (GAN)."

© 2019 Scienza X Rete