Reconocimiento de Estados Afectivos a partir de Señales Biomédicas

Abstract

Las emociones constituyen una parte fundamental de los individuos, influyendo en sucomunicación diaria, la toma de decisiones y el foco de atención. La incorporación de las emociones en la tecnología ha avanzado en losúltimos años, desde estudios exploratorios en la respuesta a los estímulos, a aplicaciones comerciales en interfaces hombre-máquina. Una de las fuentes paraidentificar estados emocionales es la respuesta fisiológica, registrada medianteseñales biomédicas. El uso de estas señales permitiría el desarrollo de dispositivos poco invasivos, como por ejemplo una pulsera, que puedan registrarseñales continuamente, en diferentes condiciones, y manteniendo la privacidad delos usuarios. Existen numerosos enfoques para el reconocimiento de afectos, condiferentes señales, técnicas de procesamiento de la señal y métodos deaprendizaje automático. Entre ellos, la combinación demúltiples señales se utilizó ampliamente para mejorar las tasas de reconocimiento,pero resulta inviable en la práctica por su invasividad. Los desafíosactuales requieren clasificadores que puedan funcionar en tiempo real, enaplicaciones interactivas, y con mayor comodidad para el usuario. En esta tesis doctoral se aborda el desafío del reconocimiento de estadosafectivos en varios aspectos. Se revisan las propiedades de cada señalfisiológica en términos de su practicidad y potencial. Se propone un método paraadaptar un clasificador a nuevos usuarios, estimando parámetros fisiológicosbasales. Luego se presentan dos métodos originales paramejorar las tasas de reconocimiento. El primero es un método supervisado basadoen mapas auto-organizativos (sSOM). Este método permite representar los espacios de características fisiológicas ymodelos emocionales, para analizar las relaciones en los datos. El otro estabasado en máquinas de aprendizaje extremo (ELM),una novedosa familia de redes neuronales artificiales que tiene gran poder degeneralización y puede entrenarse con pocos datos. Los métodos fueron evaluados y comparados con los del estadodel arte, en corpus realistas y de acceso libre. Los resultados obtenidos muestran avances en relación al estado del arte para el problema. Elmétodo de adaptación permite, a partir de pocos segundos,mejorar las tasas de reconocimiento en tiempo real, aproximando los resultados delreconocimiento que se podría hacer con posterioridad, sobre los registros completos. Utilizando una única señal de actividad cardiovascular, en particularla variabilidad del ritmo cardíaco (HRV), se lograron avances prometedores, con diferencias significativasen relación a los resultados obtenidos por los métodos del estado del arte. LasELM obtuvieron excelentes resultados y con bajo costo computacional, por lo queserían útiles para aplicaciones móviles. El sSOMlogra resultados similares, con la ventaja de proveer a la vez una herramientapara representar y analizar los espacios complejos de la fisiología y lasemociones, en una forma compacta.