Zusammenfassung
Die Beurteilung des Affekts erfolgt bei erhaltener Kommunikationsfähigkeit durch
psychometrische Testverfahren bzw. im Rahmen einer strukturierten Anamnese,
jedoch kann eine Objektivierung je nach Krankheitsbild eingeschränkt sein. In
unserer Studie sollten daher Affekte mit Elektroenzephalografie (EEG) und KI
(Künstliche Intelligenz)-gestützter Auswertung untersucht werden. 14 gesunde
Probanden wurden nach Ableitung eines Ruhe-EEGs akustischen emotionalen Stimuli
ausgesetzt und währenddessen ein EEG aufgezeichnet. Anschließend erfolgte eine
emotionale Selbstauskunft mithilfe einer 5-stufigen Likert-Skala. Als emotionale
Stimuli wurden jeweils drei Audioclips verwendet mit bis zu vier
Valenzkategorien. Nachfolgend wurden die Veränderungen in den neurologischen
EEG-Signalen in Zusammenhang mit der Selbstauskunft mithilfe von künstlichen,
neuronalen Netzwerken bzw. hybriden neuronalen Netzwerken klassifiziert und mit
einer Vorhersagewahrscheinlichkeit (Accuracy) bestätigt. Durch die Verwendung
eines aktuellen, am Stand der Technik orientierten, CNN-Netzwerks konnten
Affekte mit bis zu 90% Accuracy im EEG suffizient detektiert werden. Angesichts
der hohen Erkennungsrate durch Auswertung künstlicher neuronaler Netzwerke und
des einfachen Versuchsaufbaus eröffnet sich großes Potenzial für zukünftige
klinische Anwendungen, die eine individuelle Analyse und Beurteilung des Affekts
anhand von EEG-Daten bei Patienten ermöglichen.
Abstract
Affect is assessed, in the presence of intact communication abilities, through
psychometric testing or within the framework of a structured anamnesis. However,
objectification can be limited depending on the clinical conditions. Therefore,
in our study, the aim was to investigate affect using electroencephalography
(EEG) and AI (artificial intelligence)-supported analysis. Fourteen healthy
subjects were exposed to acoustic emotional stimuli after a resting EEG was
recorde; EEGs were recorded during the stimuli. Subsequently, emotional
self-reports were collected using a 5-point Likert scale. Three audio clips were
used as emotional stimuli, categorized into four valence categories.
Subsequently, changes in the EEG signals were classified in relation to the
self-reports using artificial neural networks or hybrid neural networks, and a
prediction accuracy was calculated. By using state-of-the-art artificial neural
networks, affect could be sufficiently detected in the EEG with approximately
90% accuracy. Given the high detection rate from the analysis using artificial
neural networks and the simplicity of the experimental setup, this approach
shows high potential for future clinical applications, enabling individual
analysis and assessment of affect based on EEG data in patients.
Schlüsselwörter
Affekterkennung - Neuronale Netzwerke - EEG
Keywords
neural network - EEG - affect computing
