Revista de glucómica y lipidómica
Acceso abierto

abstracto

Modelos cognitivos para el reconocimiento de emociones: grandes problemas de datos inversos y aprendizaje profundo

Tankelevich romano

Esta investigación se refiere al modelado cognitivo y al reconocimiento de emociones basado en recopilaciones de ondas cerebrales humanas (EEG) en tiempo real. En esta charla, presentamos el estado actual del campo de investigación tal como lo conocemos y discutimos el enfoque de modelado de dos fases bajo consideración en nuestro estudio. Los datos de EEG temporales sin procesar se recopilan de los humanos que realizan un conjunto de tareas determinadas. Los datos se analizan utilizando técnicas estándar de procesamiento de señales, además de algunos métodos más específicos, como el análisis correlacional, de ondículas y de fractales. Los electrodos de EEG están ubicados en las áreas del cuero cabelludo especificadas por el Estándar de la Sociedad Americana de Electroencefalografía (en la parte experimental de nuestro estudio, usamos auriculares inalámbricos Emotiv con 14 electrodos ubicados de acuerdo con el Estándar). Los datos de EEG recopilados correspondientes a diferentes estados cognitivos y respuestas emocionales de los sujetos humanos se utilizan para alimentar los modelos de aprendizaje supervisado. La investigación se basa en los modelos de Deep Learning con diferentes niveles de profundidad. La tarea es identificar los parámetros más efectivos del procedimiento de aprendizaje que permitan reconocer fehacientemente emociones, consideradas básicas, como la ira, el asco, el miedo, la alegría, la tristeza y la sorpresa, así como sus derivados: diversión, desprecio, contentamiento, vergüenza, emoción, culpa, orgullo por el logro, alivio, satisfacción, placer sensorial y vergüenza. Los potenciales EEG reflejan, indirectamente, las señales neuronales cerebrales espacialmente distribuidas inducidas por las actividades cognitivas y emocionales humanas. Sugerimos que la información sobre dichos datos localizados (basados en vóxeles) será una mejor entrada para el modelo de aprendizaje profundo que la información craneal superficial, ya que debería proporcionar la mayor dimensionalidad del aprendizaje supervisado. Por lo tanto, se introduce el modelo de dos fases: la primera fase se refiere a la solución del problema inverso a gran escala que requiere la representación de Big Data, mientras que en la segunda fase se utiliza el modelo de aprendizaje profundo con la salida de la primera fase como entrada. Suponiendo un modelo con un número dado de medidas craneales y un número de vóxeles obtenidos al subdividir uniformemente el volumen cerebral, la tarea es encontrar la densidad de las corrientes localizadas como solución del problema inverso. El método denominado LORETA se considera útil para resolver el problema inverso. Trabajamos en algunas aplicaciones específicas del reconocimiento de emociones humanas, como Brain Computer Interface (BCI), y evaluación de materiales educativos y presentaciones. Se presentará la metodología y los resultados obtenidos hasta el momento.