Browsing by Author "Valderrama Hickmann, Alonso"
Now showing 1 - 2 of 2
Results Per Page
Sort Options
Item Clasificación de emociones en electroencefalograma con Wavelet Scattering y algoritmos de machine learning.(Universidad de Concepción, 2024) Valderrama Hickmann, Alonso; Pino Quiroga, Esteban Javier; Urrutia Martínez, Mabel AlejandraLa clasificación de emociones a partir de señales de electroencefalograma (EEG) es de gran im- portancia para el desarrollo de tecnologías avanzadas en neurociencia afectiva e interfaces cerebro- computadora. Este campo enfrenta desafíos considerables debido a la complejidad y variabilidad de las señales EEG, lo que dificulta la creación de algoritmos robustos y generalizables. En esta memoria ligada al proyecto FONDECYT 13220040 se evaluó el uso de la Transformada Wavelet Scattering (WS) como técnica para la extracción de descriptores de señales EEG, con el objetivo de mejorar el rendimiento de los clasificadores de emociones. El enfoque propuesto busca superar las limitacio- nes de los métodos tradicionales de extracción de características, ofreciendo una mayor capacidad de generalización. La metodología fue evaluada utilizando la base de datos DEAP, un referente en el estudio de re- conocimiento de emociones con EEG. Los resultados muestran que el clasificador basado en WS, combinado con un Perceptrón Multicapa (MLP) y PCA para la reducción de dimensionalidad, al- canzó un alto rendimiento con precisiones superiores al 95 % en la clasificación de las dimensiones emocionales de Valence, Arousal, Dominance y Liking al utilizar validación cruzada con 5 k-folds. Sin embargo, al aplicar el método Leave-One-Subject-Out (LOSO), se observó una disminución en la precisión, lo que sugiere la necesidad de ajustar la metodología para abordar problemas como la correlación entre canales y la variabilidad intersujeto. En conclusión, la Transformada Wavelet Scat- tering (WS) podría mostrar un potencial significativo en la clasificación de emociones, aunque es crucial mejorar las estrategias de evaluación para asegurar la robustez y generalización del modelo en aplicaciones reales.Item Clasificación de emociones en niños mediante electroencefalograma y transfer learning.(Universidad de Concepción, 2026) Valderrama Hickmann, Alonso; Pino Quiroga, Esteban Javier; Urrutia Martínez, Mabel AlejandraEl desarrollo de habilidades socioemocionales desde la infancia es fundamental para la toma de decisiones, la resiliencia frente al estrés y el aprendizaje en general. En este contexto, la comunidad científica ha impulsado la creación de herramientas computacionales orientadas a la salud mental y la educación emocional, utilizando señales fisiológicas como el electroencefalograma (EEG), debido a su capacidad para capturar estados internos que no siempre son observables externamente. Sin embargo, uno de los principales obstáculos en este campo es la escasez de bases de datos emocionales de alta calidad en población infantil. Esta investigación surge precisamente para abordar esta limitación, proponiendo como hipótesis que el uso de transfer learning desde bases de datos de adultos, que son más abundantes, hacia datos de niños, puede mejorar el desempeño de los clasificadores en comparación con modelos entrenados únicamente con datos infantiles. Para validar esta propuesta, el estudio se estructuró en las siguientes etapas metodológicas. En primer lugar, se llevó a cabo la creación de una base de datos en el marco del proyecto FONDECYT 13220040, en la que se recolectaron señales EEG de 50 escolares de entre 12 y 13 años expuestos a estímulos audiovisuales emocionales validados por expertos. Posteriormente, se seleccionó la base de datos de adultos SEED como dominio fuente para la aplicación de transfer learning, fundamentando esta elección en evidencia reportada en la literatura. Tanto esta base de datos de escolares como la base de adultos (SEED) fueron sometidas a un proceso de preprocesamiento para eliminar ruido no relacionado con señales cerebrales. Luego, se identificaron 3 clases emocionales en base a la dimension emocional de valence. En la etapa de modelado y validación, se implementaron tres arquitecturas de clasificación: un multilayer perceptron (MLP), deep graph convolutional neural (DGCNN) y channel-fused dense convolutional network (CDCN), evaluadas bajo esquemas sujeto dependiente, sujeto independiente y leave-one-subject-out (LOSO). Finalmente, se aplicó una estrategia de transfer learning basada en parámetros fine-tuning, utilizando la base de datos SEED como dominio fuente y la base de escolares como dominio objetivo. Los resultados experimentales evidenciaron una brecha significativa de rendimiento entre las poblaciones adulta e infantil. En la base de datos de escolares, el desempeño de los modelos fue considerablemente inferior, acercándose a niveles cercanos al azar (aproximadamente 33.3%para tres clases). El mejor resultado en niños se obtuvo con el modelo DGCNN bajo el esquema sujeto dependiente, alcanzando un F1-score de 39.2 %. En cuanto al impacto del transfer learning, los resultados fueron heterogéneos dependiendo de la arquitectura. El modelo CDCN fue el único que presentó una mejora significativa al utilizar transfer learning en el esquema sujeto dependiente, incrementando su desempeño desde un 30.7%hasta un 36.0 %, lo que representa una mejora del 5.3 %. En contraste, el modelo DGCNN experimentó una leve degradación en su rendimiento tras la aplicación de transfer learning, lo que sugiere que la efectividad de la transferencia depende fuertemente de las características y la capacidad de convergencia de cada arquitectura. En conclusión, esta investigación demuestra que el transfer learning desde bases de datos de adultos constituye una alternativa viable para la clasificación de emociones en niños, aunque aún requiere mayor estudio debido a sus limitaciones. La hipótesis se validó de forma parcial, ya que solo se confirmó para la arquitectura CDCN en un esquema de validación sujeto dependiente. Los resultados indican que, si bien el transfer learning facilita el ajuste de parámetros en redes profundas, no es suficiente para compensar la baja separabilidad intrínseca de los datos infantiles ni la alta variabilidad entre sujetos observada en la base de datos recolectada. En consecuencia, se evidencia la necesidad de contar con mayores volúmenes de datos en población infantil y de seguir investigando estrategias de estimulación emocional adecuadas para este grupo. En particular, resulta relevante explorar alternativas que permitan representar valence negativa sin recurrir a contenidos no éticos, como la violencia, apostando por enfoques más inmersivos que faciliten respuestas emocionales consistentes en contextos controlados.