Análisis de las respuestas fisiológicas ante estímulos auditivos con distinta carga emocional

Abstract

[ES] El reconocimiento de emociones utilizando señales fisiológicas ha captado una atención creciente en los últimos años debido a sus aplicaciones potenciales en diferentes campos como la salud, aprovechando las ventajas que proporciona el registro continuo de respuestas fisiológicas controladas por el sistema nervioso. La conductividad eléctrica de la piel (GSR, por sus siglas en inglés Galvanic Skin Response), generada por la actividad de las glándulas sudoríparas, y la señal de respiración (RSP) se han posicionado como unas de las mediciones controladas por el sistema nervioso autónomo que proporcionan más información de los estados afectivos de los humanos. Este estudio analiza los datos de GSR y RSP obtenidos de una muestra de 45 participantes bajo un paradigma de inducción de emociones, en el que se presentan estímulos sonoros positivos, negativos y eróticos para tratar de desencadenar respuestas emocionales. En este sentido, se realizó un análisis estadístico multivariante en el que se evaluó la diferencia entre las características de las señales para las distintas parejas de estímulos (positivos, negativos y eróticos) y para los niveles alto y bajo de las dimensiones emocionales puntuadas por los participantes mediante la escala de autoevaluación de emociones Self-Assessment Manikin (SAM) para cada uno de los tres estímulos (valencia, dominancia y excitación). Se obtuvieron características capaces de diferenciar entre los distintos tipos de estímulos para las dos señales y otras que pudieron distinguir excitación y dominancia. Seguidamente, se entrenaron modelos de aprendizaje automático dependientes del sujeto utilizando Máquinas de Vectores de Soporte, capaces de diferenciar entre los pares de clases mencionados utilizando las características de GSR y RSP, tanto por separado como en conjunto. El modelo entrenado con la combinación de ambas señales fue el que proporcionó mejores métricas, obteniendo precisiones superiores al 85% tanto para la diferenciación de estímulos, como para la distinción de dimensiones emocionales.

[EN] Emotion recognition using physiological signals has garnered increasing attention in recent years due to its potential applications in various fields such as health, leveraging the advantages provided by continuous monitoring of physiological responses controlled by the nervous system. Skin conductance (GSR, for its acronym in English, Galvanic Skin Response), generated by activity in the sweat glands, and respiratory signal (RSP) have emerged as measurements controlled by the autonomic nervous system that provide more information about human emotional states. This study analyses GSR and RSP data obtained from a sample of 45 participants under an emotion induction paradigm, where positive, negative, and erotic sound stimuli are presented to trigger emotional responses. In this regard, a multivariate statistical analysis was conducted to assess the difference between signal characteristics for different pairs of stimuli (positive, negative, and erotic) and for high and low levels of emotional dimensions scored by participants using the Self-Assessment Manikin (SAM) scale for each of the three stimuli (valence, dominance, and arousal). Features capable of distinguishing between different types of stimuli for both signals were obtained, as well as others that could differentiate arousal and dominance. Subsequently, subject-dependent machine learning models were trained using Support Vector Machines, capable of distinguishing between the mentioned pairs of classes using GSR and RSP features, both separately and together. The model trained with the combination of both signals provided the best metrics, achieving accuracies exceeding 85% for both stimulus differentiation and emotional dimension distinction.

[CA] El reconeixement d'emocions utilitzánt senyáls fisiolo giques há cáptát uná átencio creixent en els u ltims ánys á cáusá de les seues áplicácions potenciáls en diferents cámps com lá sálut, áprofitánt els ávántátges que proporcioná el registre continu de respostes fisiolo giques controládes pel sistemá nervio s. Lá conductivitát ele ctricá de lá pell (GSR, per les seues sigles en ángle s Galvanic Skin Response), generádá per l'áctivitát de les glá ndules sudorí páres, i lá senyál de respirácio (RSP) s'hán posicionát com unes de les mesures controládes pel sistemá nervio s áuto nom que proporcionen me s informácio dels estáts áfectius dels humáns. Aquest estudi ánálitzá les dádes de GSR i RSP obtingudes d'uná mostrá de 45 párticipánts dávánt d’un párádigmá d'induccio d'emocions, en el quál es presenten estí muls sonors positius, negátius i ero tics per tráctár de desencádenár respostes emocionáls. En áquest sentit, es vá reálitzár uná áná lisi estádí sticá multiváriánt en lá quál es vá áváluár lá difere nciá entre les cárácterí stiques dels senyáls per á les diferents párelles d'estí muls (positius, negátius i ero tics) i per áls nivells ált i báix de les dimensions emocionáls puntuádes pels párticipánts mitjánçánt l'escálá d’áutoeváluácio d’emocions Self-Assessment Manikin (SAM) per á cádáscun dels tres estí muls (vále nciá, dominá nciá i excitácio ). Es ván obtenir cárácterí stiques cápáces de diferenciár entre els diferents tipus d'estí muls per á les dues senyáls i áltres que ván poder distingir excitácio i dominá nciá. Seguidáment, es ván entrenár models d’áprenentátge áutomá tic dependents del subjecte utilitzánt Má quines de Vectors de Suport, cápáços de diferenciár entre els párells de clásses mencionáts utilitzánt les cárácterí stiques de GSR i RSP, tánt per sepárát com en conjunt. El model entrenát ámb lá combinácio d'ámbdues senyáls vá ser el que vá proporcionár millors me triques, obtenint precisions superiors ál 85% tánt per á lá diferenciácio d'estí muls, com per á lá distincio de dimensions emocionáls.