Business Success through Understanding Human Emotions: Case Study of Classifying Emotions using the Brain Waives EEG Data
Notice bibliographique
Résumé
Emotion analytics applied in a business setting provide solutions to understand customer emotions or employee performance and carry out real-time AI analysis of the data. This is a smarter, much more unbiased alternative to such business tools as email surveys, mystery shoppers or "rate the service" buttonspractices that tend to be subjective and inconsistent and often fail to produce accurate and meaningful data. Many kinds of research are conducted to detect the emotion of a person by using different formats of data like speech, text, gesture and facial expressions. The problem with this data is that it will vary depending on the origin, culture, and nation. Because of this, it is difficult to detect human emotions more accurately. To solve this, our research makes use of electroencephalogram (EEG) signals that are directly collected from the brain. These signals not only ignore the external factors but also helps to detect real emotions arising from the brain. To conduct this research, a DEAP Dataset for emotion analysis using physiological signals is used. Firstly, the raw signal data is processed by removing the noise and converting the time series signal to statistical data. This statistical data is used to perform binary classification of four emotions valence, arousal, dominance, and liking. Various classifying techniques are examined to find the model that provides the best classification accuracy on this data. The experimental results show that Logistic Regression and Support Vector Machine are the best techniques for binary emotion classification with an accuracy of 69.25% and 70.35% respectively.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,003 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».