Reconhecimento de Emoções em Idosos através de sinais Eletroencefalográficos e Expressões Faciais

Resumo

O envelhecimento populacional é um fenômeno global que tem crescido constantemente nos últimos anos, onde cerca de metade da população atual de idosos com mais de 75 anos sofre de deficiências físicas e/ou mentais, sendo a demência um dos grandes desafios que afetam a qualidade de vida do idoso e de seus cuidadores (Dantcheva et al., 2017). É importante esclarecer que junto ao processo de envelhecimento, alterações na percepção e na cognição podem gerar prejuízos no reconhecimento de emoções faciais (Ferreira e Torro-Alves, 2016). Bomfim et al. (2019) explicam que as emoções básicas são respostas fisiológicas involuntárias compartilhadas por seres humanos, visualmente distinguíveis e que são moldadas por experiências no decorrer da vida. Portanto, a expressão e o reconhecimento da emoção por meio da expressão facial são um estágio fundamental da comunicação básica (Ko et al., 2021), por ser uma habilidade social essencial e necessária para conviver em sociedade. Não ser capaz de sinalizar emoções como raiva, tristeza ou nojo pode resultar em isolamento social (Grondhuis et al., 2021) ou afetar negativamente a comunicação não verbal, onde os idosos podem ter dificuldades de comunicar mensagens importantes, como o desconforto associado a tratamentos e outras complicações. Ochi e Midorikawa (2021) ressaltam que na literatura a relação entre o reconhecimento da emoção e a função cognitiva durante o envelhecimento ainda não são claros. Entretanto, estudos (Ferreira e Torro-Alves, 2016; Grondhuis et al., 2021) apontam pelo menos três causas possíveis. A primeira delas é o comprometimento de estruturas cerebrais que são responsáveis pelo processamento das emoções. A segunda causa defende que as emoções expressas por rostos envelhecidos são mais difíceis de interpretar porque as rugas ou dobras mascaram a emoção exibida. E a terceira está relacionada com a teoria da seletividade socioemocional. Diante dessa problemática, a tecnologia tem se tornado uma forte aliada para aumentar a qualidade de vida de idosos, tenham eles algum comprometimento cognitivo ou não. A possibilidade de desenvolver sistemas inteligentes que deem suporte ao reconhecimento de emoções em idosos surge como uma ferramenta valiosa, representando uma alternativa de promoção não só de qualidade de vida para os idosos, mas também para toda rede de apoio o cerca, incluindo principalmente familiares e cuidadores. Diante do contexto exposto, o objetivo principal desta pesquisa é desenvolver uma aplicação capaz de realizar o reconhecimento de emoções em idosos através de expressões faciais e sinais EEG. Inicialmente, dois experimentos foram realizados. O Experimento 1 refere-se ao reconhecimento de emoções através de expressões faciais, onde foi utilizado o ambiente de desenvolvimento Google Colab e a linguagem de programação Python, juntamente com bibliotecas como OpenCV e Tensor Flow, além da base de dados Facial Expression Recognition 2013 (FER-2013) (Goodfellow et al., 2013). O Experimento 2 refere-se ao reconhecimento de emoções através de sinais fisiológicos, onde foi utilizado tanto o software Octave como também o Weka, a base de dados para esse experimento foi a Multimodal Database for Affect Recognition and Implicit Tagging (MAHNOB-HCI) (Soleymani et al., 2012). Os resultados obtidos no Experimento 1 demonstram que a Rede Neural Convolucional conseguiu obter uma acurácia de 0.656 e o Loss 1.013 na classificação das emoções. Onde o modelo conseguiu classificar corretamente as emoções de Feliz, Triste, Surpreso e Neutro, com um número baixo de classificações errôneas. Enquanto o modelo não obteve um bom desempenho nas classificações das emoções Raiva, Nojo e Medo. Nos resultados obtidos pelo Experimento 2, onde foram testados classificadores, nitidamente o algoritmo Random Forest com configuração de 100 árvores se destacou positivamente em relação a acurácia (99.2%), Índice Kappa (0.996), Sensibilidade (0.993), Especificidade (0.998) e Área da curva ROC (0.999). No que se refere aos piores resultados obtidos ainda neste experimento, destacamos o MultiLayer Perceptron com configurações de 100 e 50 neurônios na camada escondida, se destacando negativamente quanto a Acurácia (34.5%), Índice Kappa (0.180), Sensibilidade (0.310), Especificidade (0.569) e Área da curva ROC (0.698). É válido destacar que os resultados obtidos nos dois experimentos são consideravelmente bons. Porém, no caso do experimento de expressões faciais, o classificador obteve dificuldades para atribuir emoções e o detector para identificar a face de alguns dos idosos. Acredita-se que este problema tenha sido ocasionado pela base de dados que utilizamos, que não se adequa ao contexto de idosos. Assim como a base do experimento 2, que obteve resultados promissores, mas também não possui dados de idosos. Por este motivo, acreditamos que esses erros podem persistir e até serem maiores caso ambos sejam aplicados em contextos reais. Mas, tendo consciência das limitações aqui relatadas, relacionamos este ponto com nossas metas, como por exemplo, realizar os experimentos com bases de dados no contexto específico de idosos para validação dos modelos. Por fim, o intuito é que o projeto final contribua com uma aplicação capaz de ofertar biofeedbacks que sejam potencialmente úteis para servir de suporte a terapeutas na tomada de decisão durante o tratamento de pacientes idosos.