EEG emotion Recognition in Videogame Play
Author
Rodriguez, Jose
Term
4. term
Education
Publication year
2015
Submitted on
2015-12-20
Pages
62
Abstract
Dette speciale undersøger, om de følelser, som spillere oplever under computerspil, kan identificeres ud fra elektroencefalografi (EEG), som måler hjernens elektriske aktivitet. Følelsesgenkendelse baseret på mønstergenkendelsesmetoder er ikke tidligere blevet undersøgt under aktiv spilafvikling. Målet er at bruge EEG til at få indblik i spilleroplevelsen og dermed bidrage til Games User Research, der undersøger, hvordan spildesign påvirker spillere. Vi afprøvede flere måder at omdanne EEG-signaler til feature-vektorer og kombinerede dem med forskellige klassifikationsalgoritmer for at finde den mest præcise løsning. Det bedste resultat var en nøjagtighed på 33,48 % med Nearest Mean Classifier ved klassifikation af fire følelser. Den lave ydeevne viser, at EEG indsamlet under en dynamisk aktivitet som spil er vanskelig at analysere med standardmetoder. Det peger på behovet for nye tilgange til filtrering af EEG, afvisning af artefakter (fjernelse af støj og uønskede signaler) og et omhyggeligt valg af den følelsesmodel, som EEG-hjernebølge-oscillationer skal kortlægges til.
This thesis examines whether players’ emotions during videogame play can be identified from electroencephalography (EEG), a method that records the brain’s electrical activity. Emotion recognition using pattern recognition techniques has not previously been studied during active gameplay. The goal is to use EEG to gain insight into player experience and contribute to Games User Research, which investigates how game design interacts with players. We tested several ways to turn EEG signals into feature vectors and combined them with different classification algorithms to find the most accurate setup. The best accuracy achieved was 33.48% with the Nearest Mean Classifier when distinguishing four emotions. This low performance indicates that EEG collected during a dynamic activity like gameplay is difficult to analyze with standard methods. It highlights the need for new approaches to EEG filtering, artifact rejection (removing noise and unwanted signals), and careful selection of the emotional model used to map EEG brainwave oscillations.
[This abstract was generated with the help of AI]
Keywords
Documents