Ponente
Descripción
El presente trabajo aborda la clasificación de emociones humanas mediante señales de electroencefalografía (EEG) y técnicas de inteligencia artificial. Dado que los métodos tradicionales para evaluar emociones suelen ser subjetivos, se propone una alternativa objetiva basada en EEG, lo cual permite identificar “firmas cerebrales” asociadas a estados emocionales. Se utilizaron las bases de datos SEED-IV (62 canales, 200 Hz) y DREAMER (14 canales, 128 Hz), ambas enfocadas en emociones categorizadas. El preprocesamiento incluyó filtrado pasa banda (1–75 Hz) y filtro notch (50/60 Hz). Las señales fueron segmentadas en épocas de 4 segundos y se seleccionaron 10 canales clave mediante análisis de varianza. A cada época se le extrajeron 20 características utilizando descomposición wavelet (A4, D1–D4) y estadísticos descriptivos. Se evaluaron diversos algoritmos: SVM (73%), Random Forest (99%), CNN 1D (90%), LSTM (87%) y modelos híbridos como CNN-LSTM y Att-IDCNN-GRU, los cuales alcanzaron un 95.95% de precisión, destacando por su capacidad de análisis espacial y temporal. Este enfoque demuestra el potencial del EEG como herramienta clínica y de investigación en salud mental, ofreciendo diagnósticos más precisos y personalizados mediante técnicas de machine learning y deep learning.
