DEFINIZIONE DI UN MODELLO DI MACHINE LEARNING PER IL RICONOSCIMENTO DELLE EMOZIONI ATTRAVERSO LE BRAIN COMPUTER INTERFACES

In this thesis work, the definition of an effective Machine Learning model for Emotion Recognition was explored. A sample of 30 users was involved, and the InteraXon Muse 2 Brain Computer Interface, a consumer-grade device equipped with only 4 electrodes, was used. The main objective was to thoroughly analyze the information derived from brain signals, employing an approach based on engineered features for feature extraction. To this end, a customized pipeline was designed to monitor and identify the most significant features representing brain activity in the context of emotion recognition, while maintaining the integrity of the spatial information provided by the individual electrodes. The classification results yielded excellent performance for Phase Locking Correlation, a feature that is still underexplored in the state-of-the-art Emotion Recognition domain. The analysis of the best models identified eXtreme Gradient Boosting as the best classifier. The recorded accuracy was 72.70% in the first quadrant, 70.70% in the second quadrant, 69.7% in the third quadrant, and 75.00% in the fourth quadrant. The experiment's results demonstrate that a low-cost device like the Muse 2 can produce excellent emotion classification results.

In questo lavoro di tesi è stata esplorata la definizione di un modello di Machine Learning efficace per l’Emotion Recognition. È stato coinvolto un campione di 30 utenti ed è stata utilizzata la Brain Computer Interface InteraXon Muse 2, un consumer-grade device dotato di soli 4 elettrodi. L’obiettivo principale era analizzare dettagliatamente le informazioni derivanti dai segnali cerebrali, impiegando un approccio basato sulle engineered features per la feature extraction. A tal fine, è stata progettata una pipeline personalizzata, finalizzata a monitorare e identificare le features più significative che rappresentano l’attività cerebrale nel contesto del riconoscimento delle emozioni, mantenendo al contempo l’integrità delle informazioni spaziali fornite dai singoli elettrodi. I risultati di classification hanno prodotto un’ottima performance per Phase Locking Correlation, una feature ancora poco esplorata allo stato dell’Arte nel dominio dell’Emotion Recognition. L’analisi dei best models vede eXtreme Gradient Boosting come miglior classifier. L’accuracy registrata è del 72.70% nel primo quadrante, del 70.70% nel secondo quadrante, del 69.7% nel terzo quadrante, e del 75.00% nel quarto quadrante. I risultati dell’esperimento dimostrano che un low-cost device come il Muse 2 può produrre ottimi risultati di emotion classification.