Las emociones son un aspecto fundamental del comportamiento humano. Una técnica muy utilizada para la investigación en la medición de las emociones se basa en el uso de señales de EEG. En términos generales, el primer paso del procesamiento de la señal es la eliminación del ruido, que puede realizarse de forma manual o automática. El siguiente paso es determinar el vector de características utilizando, por ejemplo, el cálculo de la entropía y sus variaciones para generar un modelo de clasificación. Es posible utilizar este enfoque para clasificar modelos teóricos como el modelo Circumplex. Este modelo propone que las emociones se distribuyen en un espacio circular bidimensional. Sin embargo, los métodos para determinar el vector de características son muy susceptibles al ruido que pueda existir en la señal. En este artículo se propone un nuevo método para ajustar el clasificador mediante una metaheurística basada en el algoritmo del agujero negro. El método pretende obtener resultados similares a los obtenidos con métodos manuales de eliminación de ruido. Para evaluar el método propuesto, se utilizó la base de datos de etiquetado HCI de MAHNOB. Los resultados muestran que utilizando el algoritmo de agujero negro para optimizar el vector de características de la máquina de vectores de apoyo se obtuvo una precisión del 92,56% en 30 ejecuciones.

Las emociones son un aspecto fundamental del comportamiento humano. Una técnica muy utilizada para la investigación en la medición de las emociones se basa en el uso de señales de EEG. En términos generales, el primer paso del procesamiento de la señal es la eliminación del ruido, que puede realizarse de forma manual o automática. El siguiente paso es determinar el vector de características utilizando, por ejemplo, el cálculo de la entropía y sus variaciones para generar un modelo de clasificación. Es posible utilizar este enfoque para clasificar modelos teóricos como el modelo Circumplex. Este modelo propone que las emociones se distribuyen en un espacio circular bidimensional. Sin embargo, los métodos para determinar el vector de características son muy susceptibles al ruido que pueda existir en la señal. En este artículo se propone un nuevo método para ajustar el clasificador mediante una metaheurística basada en el algoritmo del agujero negro. El método pretende obtener resultados similares a los obtenidos con métodos manuales de eliminación de ruido. Para evaluar el método propuesto, se utilizó la base de datos de etiquetado HCI de MAHNOB. Los resultados muestran que utilizando el algoritmo de agujero negro para optimizar el vector de características de la máquina de vectores de apoyo se obtuvo una precisión del 92,56% en 30 ejecuciones.