ANALISI MULTIMODALE DI SEGNALI ECG, EDA ED RSP PER IL RICONOSCIMENTO DEGLI STATI AFFETTIVI MEDIANTE RETI NEURALI

Il monitoraggio dello stato psicofisiologico tramite segnali biomedicali rappresenta uno strumento promettente per il riconoscimento automatico delle emozioni e stati come stress e rilassamento, con applicazioni nel campo del benessere e della salute. In questo lavoro è stata sviluppata in ambiente MATLAB una procedura di elaborazione ed estrazione di caratteristiche da segnali ECG, EDA ed RSP acquisiti dal dispositivo RespiBAN sul dataset WESAD, seguita dall'implementazione di due approcci di classificazione degli stati fisiologici (baseline, stress, amusement): una Mappa Auto-Organizzante (SOM) per l'analisi esplorativa non supervisionata e una Rete Percettrone Multistrato (MLP) per la classificazione supervisionata. I risultati mostrano un'organizzazione topologica coerente dei cluster individuati dalla SOM e un'accuratezza di classificazione dell'MLP intorno al 78-80%, con la classe Amusement risultata la più difficile da discriminare a causa della sovrapposizione fisiologica con la condizione di Baseline.