Evaluating the efficacy of machine learning models in emotion recognition through EEG data analysis
| dc.contributor.advisor | Sotiropoulos, Dionisios | |
| dc.contributor.advisor | Σωτηρόπουλος, Διονύσιος | |
| dc.contributor.author | Moraitis, Emmanouil | |
| dc.contributor.author | Μωραΐτης, Εμμανουήλ | |
| dc.date.accessioned | 2025-02-21T10:56:36Z | |
| dc.date.available | 2025-02-21T10:56:36Z | |
| dc.date.issued | 2025-01 | |
| dc.identifier.uri | https://dione.lib.unipi.gr/xmlui/handle/unipi/17496 | |
| dc.description.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. | el |
| dc.format.extent | 49 | el |
| dc.language.iso | en | el |
| dc.publisher | Πανεπιστήμιο Πειραιώς | el |
| dc.rights | Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα | * |
| dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/3.0/gr/ | * |
| dc.title | Evaluating the efficacy of machine learning models in emotion recognition through EEG data analysis | el |
| dc.title.alternative | Αξιολόγηση της αποτελεσματικότητας των μοντέλων μηχανικής μάθησης στην αναγνώριση συναισθημάτων μέσω ανάλυσης δεδομένων EEG | el |
| dc.type | Bachelor Dissertation | el |
| dc.contributor.department | Σχολή Τεχνολογιών Πληροφορικής και Επικοινωνιών. Τμήμα Πληροφορικής | el |
| dc.description.abstractEN | Emotion recognition using EEG data is a field that stand between computing and neuroscience. This study evaluates the performance of four machine learning models, Support Vector Machine (SVM), Multi-Layer Perceptron (MLP) Classifier, Logistic Regression, and Decision Tree Classifier classifying emotional states (NEGATIVE, POSITIVE, NEUTRAL) based on EEG signals. Leveraging robust preprocessing techniques and K-Fold cross-validation, we assessed each model's efficacy in handling the complexity and high dimensionality of EEG data. The results proved that SVM and MLP Classifier outperformed others with high accuracy, with very little misclassification in all classes, while Logistic Regression and Decision Tree Classifier, although interpretable, showed limitations in modelling subtle emotional patterns and, especially, in class differentiation for overlapping classes. The identified challenges are noise in EEG signals, model overfitting, and the trade-off between model performance vs interpretability, which have been addressed to provide insight into model suitability for real-world applications. This study further develops emotion recognition technologies, establishing a baseline for machine learning approaches applied to EEG data. It also opens paths to further investigation. By combining multiple models, fine-tuning the features they use, and taking changes in emotions over time into account, we can make emotion recognition systems more dependable and easier to apply. This will be especially helpful in fields like mental health, adaptive interactions between people and computers, and personalized learning programs. | el |
| dc.subject.keyword | Electroencephalography (EEG) | el |
| dc.subject.keyword | Emotion recognition | el |
| dc.subject.keyword | Machine learning | el |
| dc.subject.keyword | Data classification | el |
| dc.subject.keyword | Neural networks | el |
| dc.date.defense | 2025-01-24 |
Αρχεία σε αυτό το τεκμήριο
Αυτό το τεκμήριο εμφανίζεται στις ακόλουθες συλλογές
Εκτός από όπου διευκρινίζεται διαφορετικά, το τεκμήριο διανέμεται με την ακόλουθη άδεια:
Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα
Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα