Análisis de la confianza mediante redes neuronales convolucionales sobre señales de EEG con diferentes distribuciones de clase

Read full text Summarise with VIRAT
Authors: Cristina Fernández Gómez
Cited by: 0
References: 19

Summary

No summary yet. VIRAT can read this paper and write a plain-language summary of its aim, methods, key findings and limitations.

Summarise with VIRAT Free to try with your Science Catalogs account.

Abstract

El uso creciente de sistemas automatizados en procesos de toma de decisiones hace necesaria la evaluación de la confianza en este tipo de sistemas. Medir la confianza de manera objetiva supone un reto debido a su naturaleza subjetivo y cognitiva. En este contexto, las señales EEG (electroencefalografías) representan una buena opción para estimar los niveles de confianza en escenarios de interacción humano-máquina. Este Trabajo de Fin de Grado aborda el desafío de predecir el estado cognitivo de confianza de sistemas automatizados mediante el análisis de señales electroencefalográficas. Haciendo uso de un conjunto de participantes que han realizado el test de Stroop, se ha llevado a cabo un análisis de las señales en crudo, analizando distintas arquitecturas neuronales especializadas en el procesamiento de señales EEG, como EEGNet, EEGNeX y modelos basados en mecanismos de atención, evaluadas de manera dependiente del sujeto. Este enfoque permite estudiar en detalle la elevada variabilidad intersujeto propia de estas señales y su impacto en el rendimiento de los modelos. Uno de los principales retos abordados es el desbalance de clase presente en algunos participantes. Para mitigar el sesgo hacia la clase mayoritaria, se han implementado y comparado rigurosamente estrategias de balanceo a nivel de datos, como el oversampling aleatorio y SMOTE, así como adaptaciones a nivel de algoritmo mediante el uso de la función de pérdida Focal Loss y la asignación de pesos ponderados. La evaluación del rendimiento se ha llevado a cabo mediante métricas como el f1-score, recall o ROC-AUC, seleccionadas en base al grado de desbalance de los participantes. Asimismo, se emplean matrices de confusión y otro tipo de gráficas para analizar el efecto de estas técnicas sobre el criterio de decisión de los modelos. Finalmente, este trabajo pone de manifiesto las limitaciones y oportunidades del uso exclusivo de señales EEG para la estimación de la confianza en sistemas automatizados. Los resultados obtenidos permiten comprender mejor el impacto de la variabilidad intersujeto y de la calidad de la señal en los modelos de deep learning aplicados, así como identificar los principales factores que condicionan su desempeño en escenarios de interacción humano-máquina. ABSTRACT The growing use of automated systems in decision-making processes makes it necessary to evaluate trust in this type of system. Measuring trust objectively is challenging due to its subjective and cognitive nature. In this context, EEG (electroencephalogram) signals are a good option for estimating levels of trust in human-machine interaction scenarios. This Final Degree Project addresses the challenge of predicting the cognitive state of trust in automated systems by analysing electroencephalographic signals. Using a group of participants who have taken the Stroop test, an analysis of the raw signals has been carried out, analysing different neural architectures specialised in EEG signal processing, such as EEGNet, EEGNeX and models based on attention mechanisms, evaluated in a subject-dependent manner. This approach allows for a detailed study of the high inter-subject variability inherent in these signals and its impact on model performance. One of the main challenges addressed is the class imbalance present in some participants. To mitigate the bias towards the majority class, balancing strate gies at the data level, such as random oversampling and SMOTE, have been rigorously implemented and compared, as well as adaptations at the algorithm level through the use of the Focal Loss function and the assignment of weighted weights. Performance evaluation has been carried out using metrics such as f1-score, recall, or ROC-AUC, selected based on the degree of imbalance among participants. Likewise, confusion matrices and other types of graphs are used to analyse the effect of these techniques on the decision criteria of the models. Finally, this work highlights the limitations and opportunities of using EEG signals exclusively to estimate confidence in automated systems. The results obtained provide a better understanding of the impact of inter-subject variability and signal quality on the deep learning models applied, as well as identifying the main factors that condition their performance in human-machine interaction scenarios.

Fields of Study & Subjects

EEG and Brain-Computer Interfaces Emotion and Mood Recognition Human-Automation Interaction and Safety

Publication details

Journal / source
Archivo Digital UPM (Universidad Politécnica de Madrid)
Publication date
1 January 2026
Language
ES
Document type
Thesis