Análisis del vínculo entre emociones y señales fisiológicas periféricas obtenidas con dispositivos portátiles
"Este trabajo aborda el reconocimiento de emociones a partir de señales fisiológicas periféricas registradas con pulseras Empatica E4, adquiridas de manera simultánea en ambas muñecas durante la visualización de videos diseñados específicamente para este análisis. Se emplean tres modalidades pr...
Guardado en:
| Autores principales: | , |
|---|---|
| Otros Autores: | |
| Formato: | Proyecto final de grado |
| Lenguaje: | Español |
| Publicado: |
Instituto Tecnológico de Buenos Aires (ITBA)
2026
|
| Materias: | |
| Acceso en línea: | https://hdl.handle.net/20.500.14769/6050 |
| Aporte de: |
| Sumario: | "Este trabajo aborda el reconocimiento de emociones a partir de señales fisiológicas periféricas registradas con pulseras Empatica E4, adquiridas de manera simultánea en ambas muñecas durante la visualización de videos diseñados específicamente para este análisis. Se emplean tres modalidades principales: fotopletismografía (PPG, 64 Hz), actividad electrodérmica (EDA, 4 Hz) y temperatura cutánea (TEMP, 4 Hz), junto con sus señales derivadas: intervalos RR, frecuencia cardíaca, potencia espectral de los intervalos RR y componentes tónica y fásica de la EDA.
A partir de una base de datos compuesta por 24 sujetos y 676 marcas emocionales, las señales se segmentan en ventanas de 20 segundos alineadas con los estímulos. Se extraen características estadísticas y dinámicas, y se aplican procesos de depuración y selección basados en correlación, pruebas estadísticas no paramétricas y filtrado supervisado. Además, se implementa una normalización por sujeto y por pulsera para reducir la variabilidad interindividual y favorecer la comparabilidad entre registros.
Los resultados muestran un desempeño consistente en los tres problemas de clasificación planteados. Para la dimensión de valencia, el modelo Random Forest (5 características) obtiene una Accuracy de 75,0%, una Balanced Accuracy de 75,3% y un F1-Score Weighted de 75,0%. Para la dimensión de activación, el mismo modelo (15 características) alcanza una Accuracy de 64,7%, una Balanced Accuracy de 64,8% y un F1-Score Weighted de 64,7%. En la clasificación de cuatro emociones, el modelo Gradient Boosting (5 características) logra una Accuracy de 61,8%, una Balanced Accuracy de 57,8% y un F1-Score Weighted de 60,9%.
Estos hallazgos confirman la viabilidad de utilizar señales periféricas y dispositivos portátiles como la Empatica E4 para el reconocimiento automático de emociones en condiciones controladas, y constituyen un aporte metodológico que abre el camino hacia aplicaciones prácticas en escenarios de mayor complejidad, incluyendo la detección en tiempo real". |
|---|