Decodificação de Emoções: Um Exame Extensivo dos Sinais de Eletroencefalograma Usando Aprendizado de Máquina Explicável

A emoção tem um impacto substancial nos processos mentais e nas interações sociais de um indivíduo. Ela funciona como uma conexão entre as emoções de um indivíduo e seus comportamentos, ou pode-se afirmar que, ocasionalmente, influencia as escolhas de vida de uma pessoa. Dadas as variações individuais nos padrões emocionais e suas manifestações, a investigação desses fenômenos deve basear-se em metodologias que sejam aplicáveis a diversas populações. Para melhorar a precisão e selecionar características específicas, o processo de detecção de emoções utilizando ondas cerebrais ou dados de EEG requer a utilização de técnicas eficazes de processamento de sinal. Pesquisadores vêm trabalhando em diversas tecnologias de interface humano-máquina há um período considerável. Nos últimos anos, eles alcançaram avanços significativos na compreensão automatizada das emoções através dos sinais cerebrais. Nossa pesquisa envolveu a classificação e teste de três estados emocionais usando sinais de EEG coletados do amplamente acessível Conjunto de Dados de Ondas Cerebrais EEG: Sentindo Emoções do kaggle, utilizando sete técnicas de aprendizado de máquina. Este estudo apresentou uma metodologia que empregou aprendizado de máquina para identificar emoções usando o conjunto de dados de Ondas Cerebrais EEG. O estudo também realizou uma avaliação detalhada de vários algoritmos de aprendizado de máquina para avaliar sua eficácia geral. O estudo utilizou o Local Interpretable Model-Agnostic Explanations (LIME) para gerar previsões interpretáveis e obter insights sobre os elementos que influenciam as previsões do modelo. Apesar da interpretabilidade dos modelos de ML, o classificador XGBoost teve a maior precisão de 99% no reconhecimento.