Emotion classification using EEG headset signals and Random Forest

📄 arXiv: 2512.22333v1 📥 PDF

作者: Ricardo Vasquez, Diego Riofrío-Luzcando, Joe Carrion-Jumbo, Cesar Guevara

分类: cs.HC, cs.LG

发布日期: 2025-12-26

备注: Preprint. Published version: https://doi.org/10.23919/CISTI58278.2023.10211789

期刊: In 2023 18th Iberian Conference on Information Systems and Technologies (CISTI), 2023

DOI: 10.23919/CISTI58278.2023.10211789

💡 一句话要点

提出一种基于脑电信号和随机森林的情感分类模型，用于识别人类情绪状态。

🎯 匹配领域: 支柱七：动作重定向 (Motion Retargeting) 支柱八：物理动画 (Physics-based Animation)

关键词: 脑电信号 情绪识别 随机森林 脑机接口 情感计算

📋 核心要点

  1. 现有情绪识别方法在实时性和准确性方面存在挑战，难以满足实际应用需求。
  2. 利用EMOTIV EPOC脑机接口采集脑电信号，构建随机森林模型进行情绪分类。
  3. 实验结果表明，该模型在幸福、悲伤和放松三种情绪分类上取得了较高的准确率。

📝 摘要（中文）

情绪是人类的重要组成部分，在人际互动、决策制定和学习等日常活动中起着关键作用。因此，使用计算系统检测、识别和理解情绪对于改善人机交互至关重要。本研究提出了一种基于脑电信号对人类情绪进行分类的模型，使用了EMOTIV EPOC脑机接口采集脑电信息。从50名参与者处收集数据，通过视听资源诱发目标情绪。收集到的信息存储在数据库中，用于生成模型和进行相应的分类分析。该模型基于随机森林算法，用于预测幸福、悲伤和放松三种情绪。结果表明，幸福的准确率为97.21%，放松和悲伤的准确率均为76%。最后，该模型被用于生成实时情绪预测算法，该算法捕获人的脑电信号，执行生成的算法，并在屏幕上显示结果，并配以代表每种情绪的图像。

🔬 方法详解

问题定义：论文旨在解决如何利用脑电信号准确、实时地识别人类情绪状态的问题。现有方法在脑电信号特征提取和分类算法选择上存在局限性，导致情绪识别的准确率和实时性不高，难以应用于实际人机交互场景。

核心思路：论文的核心思路是利用EMOTIV EPOC脑机接口采集脑电信号，提取有效的脑电特征，并使用随机森林算法构建情绪分类模型。通过视听刺激诱发特定情绪，从而获得高质量的训练数据，提升模型的泛化能力。

技术框架：整体流程包括：1) 数据采集：使用EMOTIV EPOC脑机接口从50名参与者处采集脑电信号，同时播放视听材料以诱发特定情绪（幸福、悲伤、放松）；2) 数据预处理：对采集到的脑电信号进行滤波、降噪等预处理操作，去除伪迹和噪声；3) 特征提取：从预处理后的脑电信号中提取时域、频域等特征；4) 模型训练：使用提取的特征训练随机森林分类器，建立脑电信号与情绪状态之间的映射关系；5) 实时预测：将训练好的模型部署到实时系统中，根据实时采集的脑电信号预测当前的情绪状态。

关键创新：论文的关键创新在于将EMOTIV EPOC脑机接口与随机森林算法相结合，构建了一个高效、准确的情绪识别系统。相比于传统的脑电信号采集设备，EMOTIV EPOC具有便携、易用的优点，降低了数据采集的门槛。同时，随机森林算法具有训练速度快、泛化能力强等优点，能够有效地处理高维脑电数据。

关键设计：论文中，随机森林模型的参数设置（如树的数量、最大深度等）对分类性能有重要影响。此外，特征选择也是一个关键环节，需要选择对情绪状态具有区分性的脑电特征。论文中未明确说明具体使用的特征和参数设置，这部分信息未知。

📊 实验亮点

实验结果表明，该模型在幸福、悲伤和放松三种情绪分类上取得了较高的准确率，其中幸福的准确率为97.21%，放松和悲伤的准确率均为76%。这些结果表明，基于脑电信号和随机森林的情绪识别方法具有良好的可行性和有效性。但论文中没有提供与其他基线方法的对比结果，因此无法评估该方法的相对优势。

🎯 应用场景

该研究成果可应用于多个领域，如情感计算、人机交互、心理健康监测和辅助治疗。例如，可以开发基于情绪识别的智能家居系统，根据用户的情绪状态自动调节环境；也可以应用于抑郁症等心理疾病的辅助诊断和治疗，通过监测患者的脑电信号，及时发现情绪异常并进行干预。

📄 摘要（原文）

Emotions are one of the important components of the human being, thus they are a valuable part of daily activities such as interaction with people, decision making and learning. For this reason, it is important to detect, recognize and understand emotions using computational systems to improve communication between people and machines, which would facilitate the ability of computers to understand the communication between humans. This study proposes the creation of a model that allows the classification of people's emotions based on their EEG signals, for which the brain-computer interface EMOTIV EPOC was used. This allowed the collection of electroencephalographic information from 50 people, all of whom were shown audiovisual resources that helped to provoke the desired mood. The information obtained was stored in a database for the generation of the model and the corresponding classification analysis. Random Forest model was created for emotion prediction (happiness, sadness and relaxation), based on the signals of any person. The results obtained were 97.21% accurate for happiness, 76% for relaxation and 76% for sadness. Finally, the model was used to generate a real-time emotion prediction algorithm; it captures the person's EEG signals, executes the generated algorithm and displays the result on the screen with the help of images representative of each emotion.