Alzate Márquez, Mateo2024-11-292024-11-292024https://repository.eia.edu.co/handle/11190/68296 páginasRESUMEN: En el semillero del semestre 2024_2 se explora la clasificación de estados emocionales de "Felicidad" y "Tristeza" utilizando un modelo Random Forest entrenado con datos de señales de ECG obtenidas mediante estímulos musicales. Siguiendo el protocolo descrito en "Automatic ECG-Based Emotion Recognition in Music Listening" de Hsu et al. y empleando la Geneva Emotional Music Scale (GEMS), se realizó un experimento con participantes saludables de entre 15 y 25 años. Las señales se adquirieron utilizando la plataforma MAXREFDES104 Health Sensor en un entorno controlado, con dos listas de reproducción diseñadas para evocar emociones felices y tristes. El preprocesamiento, la extracción de características y el análisis se llevaron a cabo en Python, logrando una precisión del 75% mediante validación cruzada estratificada. A pesar de las limitaciones del conjunto de datos, los resultados destacan el potencial de las señales de ECG para el reconocimiento emocional en áreas como la psicología, la educación y la robótica asistencial. Los trabajos futuros se enfocarán en ampliar el conjunto de datos y explorar modelos avanzados, como redes neuronales convolucionales, para mejorar la precisión y robustez.application/pdfspaDerechos Reservados - Universidad EIA, 2024Informe de gestiónAtribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0)info:eu-repo/semantics/openAccessProcesamiento de señalesECGMachine learningAdquisición de señalesComputación afectivahttp://purl.org/coar/access_right/c_abf2