Reconhecimento de Emoções em Sinais Eletroencefalográficos e Fisiológicos utilizando Algoritmos Clássicos de Inteligência Artificial

Resumo

Com o envelhecimento da população mundial, vários países têm enfrentado mudanças consideráveis ​​nas últimas décadas (UN, 2020; EC, 2020). A população idosa aumentou, assim como a prevalência de doenças associadas à velhice, como osteoporose, hipertensão e demência (WHO, 2017; WHO, 2019). A doença de Alzheimer e a isquemia cerebrovascular são as duas causas mais importantes de demência em todo o mundo (NICHOLS et al., 2019). Diversos estudos mostram que a musicoterapia tem a capacidade de retardar o progresso da demência por meio de estímulos musicais e educação musical (GALLEGO e GARCIA, 2017; SOUZA et al., 2017). A interação com a música estimula as áreas do cérebro responsáveis ​​pela memória por meio das emoções. No entanto, a eficácia da musicoterapia está intimamente relacionada ao reconhecimento e à estimulação correta das emoções no paciente pelo terapeuta, tarefa essa que costuma ser árdua. Algoritmos de Inteligência Artificial (IA) têm se mostrado eficazes na resolução de problemas complexos de classificação, incluindo os relacionados ao reconhecimento de emoções (CAMBRIA et al., 2017; PORIA et al., 2017). Dessa maneira, acreditamos que o reconhecimento de emoções realizado por métodos de IA pode contribuir para a construção de uma interface capaz de auxiliar os musicoterapeutas na determinação de gêneros, estilos e ritmos musicais e, assim, otimizar a intervenção no contexto do tratamento da doença de Alzheimer e déficit cognitivo leve. Nesse sentido, este trabalho propõe uma abordagem de IA aplicada ao reconhecimento de emoções em sinais de Eletroencefalografia (EEG) e fisiológicos. A partir deste método, pretende-se avaliar a abordagem adotada quanto ao seu desempenho no reconhecimento de 6 emoções distintas. A base de dados utilizada no presente estudo advém do trabalho de Soleymani et al. (2011) e é composta por sinais de 30 voluntários saudáveis cujas emoções foram avaliadas durante a exposição a estímulos audiovisuais (SOLEYMANI et al., 2011). Os sinais coletados possuem 38 canais, sendo 32 referentes ao sinal de EEG, 3 de Eletrocardiografia (ECG), 1 de resposta galvânica da pele (GSR), 1 de frequência respiratória e 1 de temperatura. Ao todo, a base de dados possui 276 sinais distribuídos em 6 categorias de emoções: tristeza, alegria, nojo, neutra, diversão e raiva. Todos esses dados foram utilizados na presente abordagem. Inicialmente, os sinais foram segmentados em janelas de 5s com sobreposição de 1s. Em seguida, foram extraídos 34 atributos associados ao comportamento matemático dos sinais, tais como frequência, amplitude, comprimento de onda e entropia. Por fim, as instâncias foram submetidas ao treinamento de diferentes configurações de classificadores clássicos: Random Forest, Support Vector Machines (SVM) e Extreme Learning Machines (ELM). Para avaliar o comportamento estatístico dos experimentos, realizou-se 30 repetições para cada configuração testada. Além disso, o treinamento foi realizado utilizando o método de validação cruzada com 10 folds para minimizar as chances de superespecialização dos modelos. O método proposto possibilitou a identificação das emoções nos sinais de interesse com uma acurácia de 98,47±0,28 e índice Kappa de 0,982±0,003, utilizando o algoritmo Random Forest com 300 árvores para classificação. Resultados menos satisfatórios foram alcançados pelo classificador ELM com kernel RBF, apresentando acurácia de 16,67±0,01 e Kappa de 0,000±0,000. Os resultados demonstram uma alta capacidade das árvores de decisão de identificar padrões para diferenciar as emoções estudadas. No entanto, apontam também para uma possível baixa capacidade de generalização do problema. Esse aspecto será amplamente investigado em trabalhos futuros com a incorporação de sinais de outras bases de dados. Ainda assim, o método adotado se mostrou promissor visto que utiliza atributos explícitos e algoritmos de classificação com relativo baixo custo computacional, se comparados a algoritmos de aprendizagem profunda comumente adotados para o reconhecimento automático de emoções. Tais aspectos podem tornar mais viável a aplicação do método em soluções que envolvam hardware e processamento em tempo real.