Reconocimiento de estados afectivos a partir de señales biomédicas

Abstract

Emotion is a fundamental part of our daily life. One of the sources to detect emotions is the physiological responses. These signals have the potential for the development of minimally invasive devices, such as a wristband, that can record signals continuously, and maintaining the privacy of users. The current challenges require classifiers that can work in real time, using lowly invasive sensors. In this thesis, the properties of each physiological signal are reviewed in terms of the potential and invasiveness. A method is proposed to adapt a classifier to new users. Then two original methods are presented to improve recognition rates. The first is a supervised method based on self-organizing maps (sSOM). This method allows to represent the spaces of physiological features and emotional models. The other is based on extreme learning machines (ELM), a novel family of artificial neural networks that use random projections of features. The methods were evaluated and compared with those of the state-of-the-art, in realistic and freely accessible corpus. Results show significant progress in relation to the task state-of-the-art methods. The adaptation method makes possible to improve the online recognition rates by using a few seconds of each session, achieving performance rates closer to offline recognition rates. Using only the the heart rate variability (HRV), significant improvements were obtained in emotion recognition. The ELM achieved excellent results, with a low computational cost and good generalization. The sSOM achieves similar results, while providing a tool to represent and analyze complex spaces of physiology and emotions.

Las emociones constituyen una parte fundamental en la vida diaria. Mediante señales biomédicas se puedan identificar emociones continuamente, manteniendo la privacidad de los usuarios. Los desafı́os actuales requieren clasificadores que puedan funcionar en tiempo real y con baja invasividad para el usuario. En esta tesis se analizan las señales fisiológicas en términos de su practicidad y potencial. Se propone un método para adaptar un clasificador a nuevos usuarios. Luego se presentan dos métodos originales para mejorar las tasas de reconocimiento. El primero es un método supervisado basado en mapas auto-organizativos (sSOM). Este método permite representar los espacios de caracterı́sticas fisiológicas y modelos emocionales. El otro está basado en máquinas de aprendizaje extremo (ELM), una novedosa familia de redes neuronales artificiales que tiene gran poder de generalización. Los métodos fueron evaluados y comparados con los del estado del arte, en corpus realistas y de acceso libre. Los resultados obtenidos muestran avances en relación al estado del arte. El método de adaptación permite, a partir de pocos segundos, mejorar las tasas de reconocimiento en tiempo real. Utilizando una única señal de actividad cardiovascular, en particular la variabilidad del ritmo cardı́aco (HRV), se lograron avances prometedores, con diferencias significativas en relación a los resultados obtenidos por los métodos del estado del arte. Las ELM obtuvieron excelentes resultados y con bajo costo computacional. El sSOM logra resultados similares, siendo a la vez una herramienta para representar y analizar los espacios complejos de la fisiologı́a y las emociones, en una forma compacta.