AutoML for Emotion Recognition in EEG signals

Resumen

El análisis de señales de electroencefalografía ha ganado
notoriedad en el estudio del comportamiento humano por ser
una técnica no invasiva. Tradicionalmente estas señales se
han utilizado para diagnosticar enfermedades, pero en los
últimos tiempos se han implementado para identificar la
respuesta emocional de una persona a un estímulo
determinado, esto normalmente se logra a través de un
modelo predictivo. Este trabajo propone extraer
características de los dominios de tiempo y frecuencia para
caracterizar dichas señales, con el fin de utilizarlas como
entrada para un modelo de Aprendizaje Automático (ML).
Buscando simplificar el proceso de definición,
entrenamiento y prueba de modelos predictivos,
implementamos un Sistema Automatizado de Aprendizaje
Automático, llamado H2O Driverless AI, que aborda la
creación de modelos ML como un proceso de búsqueda.
Este sistema solo requiere que el usuario configure seis
parámetros, y luego puede crear y probar una gran cantidad
de pipelines de ML e identificar el mejor basado en
diferentes medidas de calidad. Para evaluar las capacidades
de H2O, se utilizó un conjunto de datos de EEG estándar; la
base de datos de SEED es una base múlti-clase que presenta
datos de diferentes individuos extraídos en tres momentos
distinto, lo que les da a los datos variabilidad basada en
tiempo y usuario. Los experimentos muestran la viabilidad
de implementar ML automatizado para problemas del
mundo real, y que se puede lograr con poco esfuerzo por
parte del usuario