dc.description.abstract
Este estudio se centra en la detección del estado de terror mediante
datos de electroencefalografía (EEG) inducido por estímulos
audiovisuales (videojuegos), destacando la relevancia de la identificación
emocional en diversas aplicaciones como interfaces cerebromáquina,
educación, salud y entretenimiento. Identificar el terror
tiene potencial en campos como la neurociencia, la psicología y la
seguridad, con posibles aplicaciones en el tratamiento de trastornos
de ansiedad y en el desarrollo de experiencias personalizadas.
El trabajo aborda la compleja tarea de identificar el terror
en individuos a través de EEG, utilizando el dataset público
GAMEEMO [1], que incluye datos de 28 sujetos expuestos a
videojuegos categorizados en cuatro emociones (aburrido, calma,
terror y diversión). Estos datos fueron procesados y utilizados para
entrenar modelos de Machine Learning (SVM, KNN, RFC, MLP)
enfocados en la detección del terror.
Los resultados mostraron que, aunque KNN tuvo un buen
rendimiento en algunas métricas, su capacidad para generalizar
fue limitada. Por otro lado, RFC y MLP demostraron ser más
efectivos y consistentes en la detección del terror (exactitud de
76,28% y 81,46%, respectivamente), especialmente en datos no
vistos (exactitud de 76,15% y 77,03%, respectivamente).
