EEG-based emotion recognition in music listening
Lin YP, Wang CH, Jung TP, Wu TL, Jeng SK, Duann JR, Chen JH
IEEE transactions on bio-medical engineering · 227 citas
Etiquetas de revisión
Financiación no declaradaDatos neutrales que nuestra revisión registró sobre cómo se hizo este estudio. Describen el método, nunca si nos gusta el resultado.
Cómo se estudió
- Diseño
- Estudio in vitro o de mecanismos (clasificado por nuestro filtro de IA)
- Estudiado en
- Personas
- Resultado principal
- Marcadores de salud y funcionamiento
Quién lo pagó
- Financiación
- Financiación no declarada
Publicación
- Publicado
- 2010-05-12 · IEEE Trans Biomed Eng · vol. 57 · número 7 · págs. 1798–1806
- Editorial
- Institute of Electrical and Electronics Engineers
- Citado
- 1,038 citas · más que el 98% de estudios similares · 8.2× el promedio de su campo
- Impacto
- Entre el 10 % más citado de su campo
- Referencias
- 40 trabajos
- Acceso
- De pago
- Áreas de investigación
- EEG and Brain-Computer Interfaces · Emotion and Mood Recognition · Neural dynamics and brain function
- Palabras clave
- Active listening, Speech recognition, Electroencephalography, Emotion recognition, Computer science, Psychology, Artificial intelligence, Pattern recognition (psychology), Communication, Neuroscience
- MeSH
- humans, electroencephalography, bayes theorem, electrodes, emotions, evoked potentials, auditory, algorithms, music, artificial intelligence, signal processing, computer-assisted, pattern recognition, automated, adult, female, male
7 autores
- Yuan‐Pin Lin🇹🇼National Taiwan University; National Taipei University
- Chi‐Hong Wang🇹🇼Cardinal Tien Hospital
- Tzyy‐Ping Jung🇺🇸University of California San Diego
- Tien-Lin Wu🇹🇼National Taiwan University
- Shyh‐Kang Jeng🇹🇼National Taiwan University
- Jeng‐Ren Duann🇹🇼🇺🇸China Medical University; University of California San Diego; China Medical University Hospital
- Jyh‐Horng Chen🇹🇼National Taiwan University
Resumen
El texto original del estudio, en el idioma en que se publicó.
Ongoing brain activity can be recorded as electroencephalograph (EEG) to discover the links between emotional states and brain activity. This study applied machine-learning algorithms to categorize EEG dynamics according to subject self-reported emotional states during music listening. A framework was proposed to optimize EEG-based emotion recognition by systematically 1) seeking emotion-specific EEG features and 2) exploring the efficacy of the classifiers. Support vector machine was employed to classify four emotional states (joy, anger, sadness, and pleasure) and obtained an averaged classification accuracy of 82.29% +/- 3.06% across 26 subjects. Further, this study identified 30 subject-independent features that were most relevant to emotional processing across subjects and explored the feasibility of using fewer electrodes to characterize the EEG dynamics during music listening. The identified features were primarily derived from electrodes placed near the frontal and the parietal lobes, consistent with many of the findings in the literature. This study might lead to a practical system for noninvasive assessment of the emotional states in practical or clinical applications.
Resumen vía Europe PMC. Los derechos de autor siguen siendo de los autores o la editorial.
Confianza de la comunidad
Cargando…
¿Cuánto confías en los hallazgos de este estudio?
Comentarios
¿Algo está mal aquí?
Señala este estudio si su información, etiquetas o financiación parecen incorrectas. Un editor revisa cada señalamiento.
Información educativa sobre investigación publicada. No es consejo médico ni una recomendación para empezar o dejar nada.