Explorando o potencial do reconhecimento de emoções via EEG e redes neurais profundas : uma investigação computacional na promoção do bem-estar emocional em idosos

Abstract

Diversas condições socioeconômicas, culturais, fisiológicas, ambientais e políticas condi- cionam o envelhecimento da população à prevalência de doenças relacionadas à senescência,

como osteoporose, hipertensão e demências, sendo a doença de Alzheimer a mais comum. As demências são condições degenerativas e progressivas que envolvem o declínio da memória e outros déficits cognitivos, o desafio que se apresenta é a elaboração de cenários em que os avanços da saúde, ciência e da tecnologia que permitirão ao ser humano alcançar soluções

rápidas, eficientes e a baixo custo para o cuidado da saúde da população idosa, diversos tra- balhos atestam que a musicoterapia pode desacelerar o progresso das demências por meio

de estímulos musicais e da educação musical que estimulam as áreas do cérebro responsáveis pela memória por meio das emoções. Reconhecer emoções humanas por meio de computadores tem sido um desafio significativo na área da Computação. Para realizar o reconhecimento de emoções, é necessário coletar dados humanos, o Eletroencefalograma (EEG) pode ser usado para fornecer visões sobre diferentes emoções que estão associadas a padrões distintos de atividade cerebral e pode contribuir para diagnóstico precoce, monitoramento da progressão

da condição, personalização da terapia com base em padrões específicos de atividade cere- bral, avaliação de intervenções terapêuticas e o desenvolvimento de tecnologias assistivas.

Este trabalho apresenta a avaliação de quatro redes neurais profundas (CNN): Lenet, Resnet, SqueezeNet e VGG, para extração atributos de dados coletados através do EEG de pessoas

idosas com e sem demências. Em suma, os resultados apresentados fornecem uma visão abran- gente do desempenho das CNNs em conjunto com o classificador Random Forest, em tarefas

de classificação. Os modelos demonstraram consistentemente uma capacidade promissora de

aprendizado e generalização, alcançando acurácia perfeita, altos coeficientes kappa, sensibili- dade e especificidade ideais, além de uma área sob a curva ROC próxima de 1,0 em diversas

configurações. Esses resultados destacam a eficácia e a robustez das CNNs e do Random Forest na tarefa de classificação, evidenciando sua capacidade de lidar com uma variedade de problemas e conjuntos de dados.Os resultados sugerem que esses modelos têm potencial para aplicação em uma ampla gama de campos, desde diagnósticos médicos até reconhecimento de padrões em imagens e análise de texto.