Estudio de experiencias sensoriales en las personas mediante el análisis de señales bioeléctricas

Abstract

Este trabajo de investigación se centró en el estudio de diversas experiencias sensoriales en las personas mediante el análisis de señales bioeléctricas (EEG, ECG, EMG y respiración) recolectadas durante pruebas experimentales con estímulos físicos diseñados para inducir sensaciones de dolor, agrado, desagrado y calor. Participaron 10 sujetos, y las señales se procesaron para extraer características bajo distintos parámetros de extracción. Posteriormente, se aplicaron diferentes algoritmos de agrupamiento, y los resultados se evaluaron mediante una métrica de similitud entre grupos para determinar su efectividad. Adicionalmente, se exploró el uso de análisis de componentes principales (PCA) para reducir la dimensionalidad de las señales EEG y evaluar si ciertas combinaciones de componen tes principales podían mejorar el desempeño del agrupamiento. Sin embargo, los resultados fueron desfavorables, indicando que la reducción de dimensionalidad afectó negativamente la capacidad de los algoritmos para clasificar correctamente los datos. Finalmente, se realizó un análisis de las sensaciones autorreportadas por los participantes y su relación con los resultados del agrupamiento. Aunque se encontró que los resultados del agrupamiento no parecían refl ejar con precisión lo reportado por los sujetos, se identificó una ligera tendencia en la que los sujetos que reportaron mayores intensidades de sensaciones también obtuvieron valores más altos en la métrica de similitud utilizada. Esto sugiere una posible conexión entre las características extraídas de las señales bioeléctricas y las sensaciones percibidas por los participantes.

This research focused on studying various sensory experiences in people through the analysis of bioelectrical signals (EEG, ECG, EMG, and respiration) collected during experimental tests with physical stimuli designed to induce sensations of pain, pleasure, displeasure, and warmth. Ten subjects participated, and the signals were processed to extract features using diferent extraction parameters. Subsequently, various clustering algorithms were applied, and the results were evaluated using a group similarity metric to determine their efectiveness. Additionally, Principal Component Analysis (PCA) was explored to reduce the dimensionality of the EEG signals and evaluate whether certain combinations of principal components could improve clustering performance. However, the results were unfavorable, indicating that dimensionality reduction negatively impacted the algorithms' ability to correctly classify the data. Finally, an analysis of the participants' self-reported sensations and their relationship with the clustering results was conducted. Although the clustering results did not appear to accurately re ect the subjects' reports, a slight trend was identi ed in which subjects who reported higher intensities of sensations also obtained higher values in the similarity metric used. This suggests a possible connection between the features extracted from bioelectrical signals and the sensations perceived by the participants.