Klinische Neurophysiologie 2025; 56(02): 80-86
DOI: 10.1055/a-2517-1205
Originalarbeit

Affekterkennung auf Basis von EEG-Signalen unter Verwendung künstlicher neuronaler Netze

Affective computing based on EEG signals using neural network
Angelo Valentino Bannout
1   Klinik für Neurologie und klinische Neurophysiologie, Universitätsklinikum Augsburg, Augsburg, Germany
,
Korbinian Holzapfel
1   Klinik für Neurologie und klinische Neurophysiologie, Universitätsklinikum Augsburg, Augsburg, Germany
,
Thorsten Schoeler
2   Fakultät für Informatik, Forschungsgruppe AI and Robotics (THA_air), Hochschule Augsburg, Augsburg, Germany
,
Antonios Bayas
3   Neurologische Klinik und Klinische Neurophysiologie, Universitätsklinikum Augsburg, Augsburg, Germany
,
Markus Naumann
3   Neurologische Klinik und Klinische Neurophysiologie, Universitätsklinikum Augsburg, Augsburg, Germany
,
Daniel Joachim
2   Fakultät für Informatik, Forschungsgruppe AI and Robotics (THA_air), Hochschule Augsburg, Augsburg, Germany
› Author Affiliations
Preview

Zusammenfassung

Die Beurteilung des Affekts erfolgt bei erhaltener Kommunikationsfähigkeit durch psychometrische Testverfahren bzw. im Rahmen einer strukturierten Anamnese, jedoch kann eine Objektivierung je nach Krankheitsbild eingeschränkt sein. In unserer Studie sollten daher Affekte mit Elektroenzephalografie (EEG) und KI (Künstliche Intelligenz)-gestützter Auswertung untersucht werden. 14 gesunde Probanden wurden nach Ableitung eines Ruhe-EEGs akustischen emotionalen Stimuli ausgesetzt und währenddessen ein EEG aufgezeichnet. Anschließend erfolgte eine emotionale Selbstauskunft mithilfe einer 5-stufigen Likert-Skala. Als emotionale Stimuli wurden jeweils drei Audioclips verwendet mit bis zu vier Valenzkategorien. Nachfolgend wurden die Veränderungen in den neurologischen EEG-Signalen in Zusammenhang mit der Selbstauskunft mithilfe von künstlichen, neuronalen Netzwerken bzw. hybriden neuronalen Netzwerken klassifiziert und mit einer Vorhersagewahrscheinlichkeit (Accuracy) bestätigt. Durch die Verwendung eines aktuellen, am Stand der Technik orientierten, CNN-Netzwerks konnten Affekte mit bis zu 90% Accuracy im EEG suffizient detektiert werden. Angesichts der hohen Erkennungsrate durch Auswertung künstlicher neuronaler Netzwerke und des einfachen Versuchsaufbaus eröffnet sich großes Potenzial für zukünftige klinische Anwendungen, die eine individuelle Analyse und Beurteilung des Affekts anhand von EEG-Daten bei Patienten ermöglichen.

Abstract

Affect is assessed, in the presence of intact communication abilities, through psychometric testing or within the framework of a structured anamnesis. However, objectification can be limited depending on the clinical conditions. Therefore, in our study, the aim was to investigate affect using electroencephalography (EEG) and AI (artificial intelligence)-supported analysis. Fourteen healthy subjects were exposed to acoustic emotional stimuli after a resting EEG was recorde; EEGs were recorded during the stimuli. Subsequently, emotional self-reports were collected using a 5-point Likert scale. Three audio clips were used as emotional stimuli, categorized into four valence categories. Subsequently, changes in the EEG signals were classified in relation to the self-reports using artificial neural networks or hybrid neural networks, and a prediction accuracy was calculated. By using state-of-the-art artificial neural networks, affect could be sufficiently detected in the EEG with approximately 90% accuracy. Given the high detection rate from the analysis using artificial neural networks and the simplicity of the experimental setup, this approach shows high potential for future clinical applications, enabling individual analysis and assessment of affect based on EEG data in patients.



Publication History

Article published online:
04 June 2025

© 2025. Thieme. All rights reserved.

Georg Thieme Verlag KG
Oswald-Hesse-Straße 50, 70469 Stuttgart, Germany