Emotions Engineering: Development of Multimodal Systems for Affective Classification and Stress State Detection through Machine Learning and Deep Learning

Sono state esplorate e valutate metodologie avanzate di machine learning e deep learning per il riconoscimento delle emozioni e dello stress utilizzando segnali fisiologici come EEG, ECG e GSR. L'analisi è stata condotta su sei dataset pubblici di riferimento: AMIGOS, DEAP, DREAMER, YAAD, SWELL e WESAD. Sono state implementate pipeline computazionali complete che includono il pre-processing dei segnali, l'estrazione di feature (statistiche, nel dominio del tempo e della frequenza, come i parametri di Hjorth e la variabilità della frequenza cardiaca), il bilanciamento delle classi con tecniche come SMOTE, e la selezione delle feature più informative. Diversi classificatori tradizionali, tra cui Support Vector Machines (SVM), Random Forest e Gradient Boosting, sono stati confrontati e ottimizzati tramite cross-validation e tuning degli iperparametri. Parallelamente, sono state esplorate architetture di deep learning applicate direttamente ai segnali grezzi, quali reti convoluzionali (1D-CNN), reti ricorrenti (LSTM, GRU) e modelli Transformer. I risultati mostrano come le performance varino significativamente in base al dataset. Modelli ensemble come Random Forest e XGBoost hanno dimostrato una notevole efficacia, ottenendo accuratezze elevate, specialmente sui dataset WESAD (fino al 97.97%) e SWELL (fino al 92.94% con Random Forest in cross-validation). I modelli di deep learning hanno offerto performance competitive, confermando il loro potenziale ma anche la loro sensibilità alla dimensionalità e qualità dei dati. Complessivamente, il lavoro fornisce un'analisi comparativa approfondita delle tecniche per l'affective computing, evidenziando l'importanza cruciale dell'ingegneria delle feature e del bilanciamento dei dati per lo sviluppo di sistemi di riconoscimento emotivo robusti ed efficaci.