Evaluating the efficacy of machine learning models in emotion recognition through EEG data analysis

Abstract

Η αναγνώριση συναισθημάτων μέσω δεδομένων EEG είναι ένα πεδίο που βρίσκεται στο μεταίχμιο της πληροφορικής και της νευροεπιστήμης. Η παρούσα μελέτη αξιολογεί την απόδοση τεσσάρων μοντέλων μηχανικής μάθησης, Support Vector Machine (SVM), Multi-Layer Perceptron (MLP), Logistic Regression και Decision Tree Classifier, στην ταξινόμηση συναισθηματικών καταστάσεων (ΑΡΝΗΤΙΚΟ, ΘΕΤΙΚΟ, ΟΥΔΕΤΕΡΟ) βάσει σημάτων EEG. Χρησιμοποιώντας ισχυρές τεχνικές προεπεξεργασίας και διασταυρούμενη επικύρωση K-Fold, εκτιμήθηκε η ικανότητα κάθε μοντέλου να διαχειριστεί την πολυπλοκότητα και την υψηλή διαστασιμότητα των δεδομένων EEG. Τα αποτελέσματα έδειξαν ότι τα μοντέλα SVM και MLP ξεπέρασαν σε απόδοση τα υπόλοιπα, επιτυγχάνοντας υψηλή ακρίβεια και ελάχιστη λανθασμένη ταξινόμηση σε όλες τις κατηγορίες. Αντίθετα, Logistic Regression και Decision Tree Classifier, παρότι πιο ερμηνεύσιμα, παρουσίασαν περιορισμούς στη μοντελοποίηση λεπτών συναισθηματικών μοτίβων και, ιδιαιτέρως, στη διαχωριστική ικανότητα μεταξύ επικαλυπτόμενων κατηγοριών. Οι προσδιορισμένες προκλήσεις περιλαμβάνουν τον θόρυβο στα σήματα EEG, την υπερπροσαρμογή των μοντέλων και το δίλημμα μεταξύ απόδοσης και δυνατότητα ερμηνείας, τα οποία αντιμετωπίστηκαν, παρέχοντας χρήσιμες πληροφορίες για την καταλληλόλητα των μοντέλων σε πραγματικές εφαρμογές. Η παρούσα μελέτη προάγει περαιτέρω τις τεχνολογίες αναγνώρισης συναισθημάτων, θέτοντας ένα σημείο αναφοράς για προσεγγίσεις μηχανικής μάθησης που εφαρμόζονται σε δεδομένα EEG, και ταυτόχρονα ανοίγει τον δρόμο για περαιτέρω έρευνα. Με τον συνδυασμό πολλαπλών μοντέλων, τη βελτιστοποίηση των χαρακτηριστικών που χρησιμοποιούν και την ενσωμάτωση της χρονικής μεταβολής των συναισθημάτων, μπορούμε να κάνουμε τα συστήματα αναγνώρισης συναισθημάτων πιο αξιόπιστα και ευκολότερα στην εφαρμογή. Αυτό θα αποδειχθεί ιδιαίτερα χρήσιμο σε τομείς όπως η ψυχική υγεία, οι προσαρμοστικές αλληλεπιδράσεις μεταξύ ανθρώπων και υπολογιστών, καθώς και τα εξατομικευμένα εκπαιδευτικά προγράμματα.