See discussions, stats, and author profiles for this publication at: https://www.researchgate.

net/publication/311428042

Reconocimiento de Emociones utilizando la Transformada Wavelet

Estacionaria en Señales EEG Multicanal

Conference Paper · October 2016

CITATION READS

1 464

3 authors:

Gustavo Mejia Alejandro Gómez Montoya

Universidad Antonio Nariño Universidad EAFIT
7 PUBLICATIONS   10 CITATIONS    18 PUBLICATIONS   27 CITATIONS   

SEE PROFILE SEE PROFILE

Olga Lucía Quintero

Universidad EAFIT
95 PUBLICATIONS   328 CITATIONS   

SEE PROFILE

Some of the authors of this publication are also working on these related projects:

Modelado Matematico de Mercados estratégicos 2013 View project

METROCABLE View project

All content following this page was uploaded by Alejandro Gómez Montoya on 31 July 2017.

The user has requested enhancement of the downloaded file.

 Reconocimiento de Emociones utilizando la Transformada Wavelet Estacionaria
en Señales EEG Multicanal
G. Mejı́a1 , A. Gómez2 and L. Quintero2
1 Functional Analysis and Aplications Research Group, Universidad EAFIT, Medellı́n, Colombia
2 Mathematical Modeling Research Group, GRIMMAT, Universidad EAFIT, Medellı́n, Colombia
Abstract— In this work, we perform an approach to emotion
recognition from Electroencephalography (EEG) multichannel
signals extracted from HCI Tagging Database. Multichannel
EEG signals are decomposed using Stationary Wavelet Trans-
form and each subsignal are processed with a statistical analy-
sis. Finally, a feature selection algorithm was used for reducing
the dimensionality of feature set, and a QDA classifier was used,
obtaining accuracy rate between 78.8 % for Neutrality to 100 %
for Anger, Surprise and Anxiety.
Keywords— EEG Signal, Emotion Recognition, QDA, Wave-
let, Feature Selection
I. I NTRODUCCI ÓN
Es difı́cil establecer una definición exacta de lo que es una
emoción, pero hay una definición emergente que establece a
las emociones como estados mentales [1]. Siendo dichos esta-
dos mentales, la respuesta ante estı́mulos externos e internos
como : escuchar una orquesta, el comportamiento ante otros
seres humanos, o cambios psicológicos o neuroendocrinos,
especı́ficamente en recuerdos o imágenes almacenadas en la
mente[2]. Estos estados emocionales son manifestados como
otras experiencias mentales, como resultado de una actividad
nerviosa en el cerebro [1], por lo cual es factible identificar
los estados emocionales como patrones en señales EEG. La
detección de emociones utilizando las señales EEG, es muy
importante, dado que estas señales están directamente rela-
cionadas con la actividad cerebral, permitiendo realizar un
mapeo de los estados emocionales con las diferentes áreas de
actividad neuronal. Esto permite a psicólogos validar o de-
terminar estados emocionales, o permitiendo a un sistema de
Inteligencia Artificial tomar decisiones sobre el estado emo-
cional de un usuario, sin que requiera que esté realice una
actividad fonética o expresión facial lo cual puede ser muy
útil con infantes.
La señal EEG generalmente tiene un rango de los µV, con
componentes frecuenciales hasta los 300 Hz [3]. En múltiples
estudios se reporta que el rango para la detección de emocio-
nes en señales EEG se encuentran en diferentes bandas fre-
cuenciales. Estas corresponden a : Delta (0.5 a 4 Hz), Teta (4
a 8 Hz), Alfa (8 a 13 Hz), Beta (13 a 30 Hz), y Gamma (30 a
70 Hz) [3, 4]. Diferentes autores han logrado la detección de
estados emocionales en señales EEG con ı́ndices de acierto
entre el 75 % y el 99 % para diferentes grupos de emociones.
[5, 6, 7, 8, 9].
Este trabajo presenta un estudio sobre la detección de emo-
ciones en la base de datos HCI Tagging Database que contie-
ne las señales EEG referentes a nueve estados emocionales.
Se presentan algunas técnicas estadı́sticas de medida, aplica-
das a subseñales obtenidas de la Transformada Wavelet Esta-
cionaria de una señal EEG multicanal. Diferentes conjuntos
de caracterı́sticas obtenidos de la selección de caracterı́sticas,
fueron usados en un clasificador QDA, buscando detectar uno
de nueve estados emocionales. Se presenta una metodologı́a
para el reconomiento de emociones en señales EEG. El orden
de este articulo es: la sección 2 corresponde a la metodologı́a,
el preprocesamiento, la extracción, selección de caracterı́sti-
cas, y el clasificador propuesto; la sección 3, los resultados
obtenidos y finalmente la sección 4 las conclusiones.
II. M ETODOLOG ÍA
A. Selección de Datos y Pre-procesamiento
Se utilizó la base de datos HCI Tagging Database [10],
la cual cuenta con señales EEG de 513 sesiones, donde cada
sesión corresponde a la grabación de las señales EEG de 32
canales con una frecuencia de muestreo de 256 Hz, durante la
evocación de uno de nueve estados emocionales, que se listan
a continuación.
1. Tristeza 4. Neutralidad 7. Miedo
2. Felicidad 5. Regocijo 8. Sorpresa
3. Asco 6. Ira 9. Ansiedad
El propósito de utilizar esta base de datos, es simular algu-
nas de las condiciones de las señales EEG que pueden ser
obtenidas del equipo Emotiv EPOC [11], con el cual se bus-
cará crear una futura base de datos propias de señales EEG de
evocación de estados emocionales. Con el fin de cumplir este
objetivo, se hizo un downsampling a 128 Hz, es por esto que
un proceso de filtrado fue implementado con dos filtros But-
terworth de orden 10: un paso alto a 0.4 Hz y un filtro paso
bajo a 70 Hz, eliminando componentes de ruido y evitando
la aliasing en el banco de señales EEG. Además, se redujo
el número de canales a un total de 14, equivalentes a los del
Emotiv EPOC. En la figura 1 se representan de color verde
los canales que corresponden al Emotiv EPOC, y de color ro-
jo los canales restantes encontrados en la base de datos. Como
las señales EEG son consideradas estacionarias en intervalos
cortos [3], se implemento un proceso de ventaneo con la ven-
tana Hanning para luego hacer un análisis de cada segmento
de la señal. También se realizó un solapamiento del 50 %, con
Nz
Fp1
Fpz
Fp2
AF7
y espectral. La perspectiva temporal utiliza: integral del valor
promedio [16], media cuadrática [17, 16], media, varianza,
desviación estándar [18], longitud de onda [16], longitud de
onda estándar y curtosis [19] ; y la perspectiva espectral uti-
liza: cruces por cero [20], frecuencia media, frecuencia pro-
medio y el valor máximo del poder espectral [21]. Buscando
lograr describir mediante estas caracterı́sticas un estado emo-
cional.
D. Selección de Caracterı́sticas
Cuando se tiene un conjunto con alta dimensionalidad de
caracterı́sticas descriptivas, una labor de clasificación requie-
re un alto gasto computacional. Además es posible que haya
un subconjunto de caracterı́sticas que pueda ser asociado a
elementos de ruido o información diferente a estados emo-
AF8

F9
F7
AF3 AFz AF4

F8
F10 cionales, es por esto que es necesario implementar un pro-
F5 F6
F3 F1 Fz F2 F4
ceso de selección de caracterı́sticas. En este trabajo se im-
FT9 FT7 FC8 FT10
FC5 FC3 FC1 FCz FC2 FC4 FC6
plementó el método Chi Square, el cual mide la dependencia
A1 T9 T7 C5 C3 C1 Cz C2 C4 C6 T8 T10 A2
entre un vector de caracterı́sticas X con una clase yi , es decir,
TP9 TP7
CP5 CP3 CP1 CPz CP2 CP4 CP6 TP8 TP10
un estado emocional. Si X e yi son poco dependientes, enton-
P7
P5 P3 P1 Pz P2 P4 P6
P8
ces el puntaje es bajo. Este procedimiento se implementa para
P9

PO7
PO3
O1
Figura 1: Posición de Electrodos
un tamaño de ventana de 1s, para luego descomponer la señal
como se detalla a continuación [9].
B. Transformada Wavelet Estacionaria
La Transformada Wavelet Estacionaria (SWT), es una mo-
dificación de la Transformada Wavelet Discreta. Esta aprove-
cha el concepto de la Transformada Wavelet como un banco
de filtros [12, 13] sin embargo, no se efectúa un downsam-
pling y en su lugar se conserva el tamaño original de la señal.
Por lo cual se modifican los filtros de descomposición de cada
nivel, con un proceso de padding de ceros [14]. Cada banco
de filtros es asociado a una familia Wavelet, en este caso la
Wavelet Daubechies. Particularmente se trabajó con la Wave-
let db1. Cada segmento tomado del proceso de ventaneo, es
descompuesto con la SWT en un total de 5 niveles, en donde
se construyó una matriz de subseñales con las 5 señales de
aproximación y las 5 de detalle [14, 15].
C. Caracterı́sticas Descriptivas
Cada subseñal obtenida por la SWT, fue analizada por do-
ce caracterı́sticas descriptivas con dos perspectivas: temporal
POz PO4
PO8
P10
cada yi y se promedian los resultados [22]. De tal manera es
Oz
O2
posible seleccionar las k caracterı́sticas con el puntaje mas al-
Iz to, y logren describir correctamente los patrones relacionados
con los estados emocionales. La selección de caracterı́sticas
fué implementada buscando 3 tamaños objetivos: 150, 300 y
600, del conjunto inicial de 1680 caracterı́sticas.
E. Clasificador
Como elemento clasificador se utilizó un Análisis Discri-
minante Cuadrático (QDA), este calcula la combinación li-
neal de la matriz de caracterı́sticas de entrenamiento, para
construir c − 1 vectores canónicos v, donde c corresponde
al número de clases (emociones), realizando el cálculo de la
matriz de covarianza para cada clase, permitiéndole separar
el espacio Rc−1 , construido por las caracterı́sticas, con fun-
ciones cuadráticas [23]. El proceso de clasificación se imple-
mento con una validación cruzada, utilizando el método de
holdout con random subsampling para un total de 30 experi-
mentos [24].
III. R ESULTADOS
Las técnicas de selección, indican que conjunto de carac-
terı́sticas logran representar mejor, un grupo de clases, en es-
te caso, de estados emocionales. Esto permite analizar que
canales EEG pueden tener una contribución mayor a la des-
cripción de estos estados emocionales. Por esto es necesario
calcular la distribución de caracterı́sticas en función de los
canales EEG. La siguiente lista representa el nombre de cada Cuadro 1: Descomposición Wavelet como Bandas Frecuenciales EEG
canal, que corresponde al eje X de la figura 2. Nivel de
Banda Principal Banda Secundaria
Descomposición
1. AF3 4. FC5 7. O1 10. T8 13. F8 A1 Delta Teta, Alfa y Beta
2. F7 5. T7 8. O2 11. FC6 14. AF4 A2 Delta Teta y Alfa
3. F3 6. P7 9. P8 12. F4 A3 Delta Teta
A4 Delta Parcialmente Teta
En la figura 2, se encuentra la distribución de caracterı́sti- A5 Delta Ninguna
cas en función de los canales EEG, para los diferentes ta- D1 Gamma Beta y Alfa
maños de caracterı́sticas obtenidas luego de la selección de D2 Beta Alfa y Gamma
caracterı́sticas. Es notorio que a medida que aumenta el ta- D3 Teta y Alfa Beta
maño del conjunto, la distribución de estás tiende a tomar D4 Teta Alfa
un aspecto mas uniforme, pero se sigue conservando valo- D5 Teta Ninguna
res mı́nimos para los canales que corresponden al hemisferio
posterior izquierdo, y una mayor densidad para los canales
que corresponden al hemisferio frontal. Esto puede indicar contribución del nivel D2, que es en mayor parte representado
que zonas de la corteza cerebral contienen mayor informa- por la banda Beta.
ción sobre los estados emocionales.
20
15 150 300 600

Porcentaje ( %) 15
Porcentaje ( %)

10
10

5 5

150 300 600

0 A1 A2 A3 A4 A5 D1 D2 D3 D4 D5
1 2 3 4 5 6 7 8 9 10 11 12 13 14
Nivel de Descomposición
Canal
Figura 3: Distribución de Caracterı́sticas en Función de Niveles de
Figura 2: Distribución de Caracterı́sticas en Función de Canales EEG
Descomposición Wavelet

Otro análisis que se puede efectuar es la distribución de ca-
racterı́sticas en función de los niveles de descomposición. La
importancia de este análisis radica, en tomar la SWT como un
banco de filtros pasabandas. Por lo cual es factible identificar
que bandas frecuenciales tienen mayor peso para describir es-
tados emocionales, es decir, que ritmos (delta, alfa, gamma,
etc) aportan mayor cantidad de información sobre los estados
emocionales. En el cuadro 1, se encuentra que bandas fre-
cuenciales predominan en cada nivel de descomposición, y
que las bandas están presentes pero no son predominantes.
En la figura 3, se encuentra la distribución de caracterı́sti-
cas para cada nivel de descomposición. Pueden notarse que
a medida que se aumenta el conjunto de caracterı́sticas, este
tiende a ser homogéneo, con picos en los niveles A2 y D3,
que son representativos de las bandas Delta, Teta y Alfa, con
leves contribuciones de la banda Beta y Gamma, con una leve
Los resultados luego de realizar la validación cruzada, para
los tres conjuntos obtenidos mediante la selección de carac-
terı́sticas, y para el conjunto original, que se encuentran en
la figura 4, puede notarse que los ı́ndices de acierto mas al-
tos corresponden a los conjuntos de 600 y 1680 caracterı́sti-
cas. Es notorio que en general el porcentaje de acierto luego
de la selección de caracterı́sticas, es menor que el conjun-
to original. Sin embargo, es posible, con el conjunto de 600
caracterı́sticas, obtener ı́ndices de acierto similares a los del
conjunto original, reduciendo el tiempo de computo.
Un análisis mas a fondo del comportamiento del clasifica-
dor QDA con 600 caracterı́sticas, se encuentra en la figura 5,
que corresponde a la matriz de confusión de dicho clasifica-
dor para uno de los experimentos de la validación cruzada.
Puede notarse el buen comportamiento del clasificador para
los estados emocionales de Asco, Ira, Miedo, Sorpresa y An-
 100 con una dimensionalidad menor al conjunto original de ca-
95 racterı́sticas e ı́ndices de aciertos cercanos. Permitiendo redu-
90 cir el costo computacional del entrenamiento y clasificación
Acierto ( %)

85 del QDA. Como trabajo futuro, se buscará implementar las

80 técnicas usadas con el equipo Emotiv EPOC, buscando obte-
75 ner altos ı́ndices de acierto con una clasificación en lı́nea.
70
65 R EFERENCIAS
60
150 300 600 1680 1. Cabanac Michel, Cabanac Michel. What is emotion? Behavioural pro-
Número de Caracterı́sticas cesses. 2002;60:69–83.
2. Scherer K R. Vocal communication of emotion: A review of research
Figura 4: Porcentaje de Acierto de Clasificadores para los diferentes grupos paradigms Speech Communication. 2003;40:227–256.
de caracterı́sticas 3. Sanei Saeid, Chambers Jonathon. a.. EEG Signal Processing;1 . 2007.
4. Teplan Michal. Fundamentals of EEG measurement Measurement
Science Review. 2002;2:1–11.
5. Petrantonakis Panagiotis C, Hadjileontiadis Leontios J. Emotion recog-
siedad y un rendimiento menor al tratar de predecir el estado nition from EEG using higher order crossings. IEEE transactions on
emocional de Neutralidad y Regocijo. information technology in biomedicine : a publication of the IEEE En-
gineering in Medicine and Biology Society. 2010;14:186–197.
6. Varun Bajaj Ram Bilas Pachori. Classification of human emotions ba-
100.0
sed on multiwavelet transform of EEG signals 2012.
9 97.9 0.4 0.1 1.3 0.4 0.0 0.0 0.0 0.0
7. Murugappan Murugappan. Classification of human emotion from EEG
using discrete wavelet transform 2010.
90.0
8 0.3 95.1 0.0 2.0 1.0 0.0 0.0 0.0 0.0 8. Lin Yuan-Pin, Wang Chi-Hong, Jung Tzyy-Ping, et al. EEG-Based
Emotion Recognition in Music Listening Biomedical Engineering,
80.0 IEEE Transactions on. 2010;57:1798-1806.
7 1.1 2.3 99.7 9.4 4.0 0.0 0.0 0.0 0.2
9. Gomez Alejandro, Quintero Lucia, Lopez Natalia, Castro Jaime. An
70.0 approach to emotion recognition in single-channel EEG signals: a mot-
6 0.0 0.0 0.0 78.8 0.0 0.0 0.0 0.0 0.0 her child interaction. XX Congreso Argentino de Bioingenierı́a, SABI
60.0 2015. 2015.
5 10. Soleymani Mohammad, Lichtenauer Jeroen. A Multimodal Database
0.2 0.4 0.0 1.6 92.1 0.0 0.0 0.0 0.0
50.0 for Affect Recognition and Implicit Tagging 2012;3:1–14.
11. EMOTIVEmotiv EPOC: Headset 2012.
4 0.0 0.0 0.0 0.1 0.0 100.0 0.0 0.0 0.0 12. Shukla K. K., Tiwari A. K.. Efficient Algorithms for Discrete Wavelet
40.0
Transform SpringerBriefs in Computer Science. 2013:21 – 36.
3 30.0
13. Mallat S. A Wavelet Tour of Signal Processing. Wavelet Tour of Signal
0.4 1.6 0.2 6.3 2.4 0.0 99.9 0.0 0.0
ProcessingElsevier Science 1999.
14. Nason G. P., Silverman B. W.. The Stationary Wavelet Transform and
2 20.0
0.0 0.1 0.0 0.5 0.1 0.0 0.0 100.0 0.0 some Statistical Applications :281–300Springer-Verlag 1995.
15. Bustamante P A, Celani N M Lopez, Perez M E, Montoya O L Quinte-
10.0 ro. Recognition and regionalization of emotions in the arousal-valence
1 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 99.8
plane Conf Proc IEEE Eng Med Biol Soc. 2015:6042–6045.
0.0 16. Celani Natalia Martina López. Procesamiento de Señales Electro-
1 2 3 4 5 6 7 8 9
miográficas Superficiales para el Control de Dispositivos Robóticos.
PhD thesisUniversidad Nacional de San Juan 2010.
Figura 5: Matriz de Confusión para QDA con 1680 caracterı́sticas 17. Bissell C. C., Chapman D. A.. Digital signal transmission. Cambridge
University Press 2003.
18. Manolakis D.G., Ingle V.K.. Applied Digital Signal Processing: Theory
IV. C ONCLUSIONES and Practice. Cambridge University Press 2011.
19. Picard R.W., Vyzas E., Healey J.. Toward machine emotional intelli-
La detección entre los estados emocionales mencionados gence: analysis of affective\nphysiological state IEEE Transactions on
antes, es posible utilizando los 14 canales seleccionados para Pattern Analysis and Machine Intelligence. 2001;23:1175–1191.
20. Kedem Benjamin. Spectral Analysis and Discrimination by Zero-
este trabajo. El estudio de las señales EEG multicanal utili- Crossings Proceedings of the IEEE. 1986;74:1477–1493.
zando la SWT, mediante un análisis estadı́stico, y realizando 21. Phinyomark Angkoon, Thongpanja Sirinee, Hu Huosheng. The Useful-
una selección de caracterı́sticas, permite la clasificación de ness of Mean and Median Frequencies in Electromyography Analysis
Computational Intelligence in Electromyography Analysis-A Perspec-
diferentes estados emocionales con altos ı́ndices de acierto tive on Current Applications and Future Challenges. 2012:195–220.
con el clasificador propuesto. Además, se evaluó el compor- 22. Forman George. Feature Selection for Text Classification Computatio-
tamiento del clasificador con diferentes tamaños del conjun- nal Methods of Feature Selection. 2007;16:257–274.
23. James Gareth, Witten Daniela, Hastie Trevor, Tibshirani Robert. An
to de caracterı́sticas. Obteniendo ı́ndices de acierto mayores Introduction to Statistical Learning;103 . 2013.
para conjuntos de mayor tamaño. Se encontró un conjunto 24. Dougherty Geoff. Pattern Recognition and Classification;53 . 2013.

View publication stats