Tamanho da fonte: 

Compreender o comportamento humano é fundamental para entender as necessidades e vontades individuais e coletivas dos humanos. Nesse contexto, o estudo das emoções tem papel indispensável na compreensão do comportamento humano, pois elas influenciam as ações e reações de cada indivíduo. Este trabalho tem como objetivo classificar emoções a partir de segmentos de eletroencefalograma (EEG), utilizando métodos de aprendizado de máquina. Para a classificação foram utilizados sinais de EEG de 20 voluntários. Esses sinais foram segmentados entre os intervalos de tempo em que as emoções induzidas aconteciam. Dessa forma, foram analisadas oito emoções (temor, frustração, alegria, raiva, felicidade, tristeza, amor e excitação). Em uma avaliação preliminar, essas emoções foram divididas em dois conjuntos (positivas e negativas) para classificação binária. Em seguida, para cada segmento de EEG, características do domínio do tempo foram extraídas. Feito isso, foram criados modelos de classificação por meio dos métodos árvore de decisão, k-vizinhos mais próximos (KNN) e floresta aleatória. Subsequentemente, os modelos foram avaliados utilizando validação cruzada e testes estatísticos de hipótese. Como resultado, foram atingidas valores de acurácia entre 28,5% e 83,9% considerando todos os classificadores. Adicionalmente, foi constatada diferença estatisticamente significativa entre os modelos floresta aleatória e KNN para oito classes.

Classificação de Emoções; Eletroencefalograma; Aprendizado de Máquina