Resumo
A detecção de sentimentos é uma área em crescimento que busca compreender e interpretar as emoções humanas a partir de uma variedade de fontes de dados, incluindo texto, voz e ou ainda mesmo sinais fisiológicos. Entre essas fontes, o Eletroencefalograma (EEG) têm se destacado como uma abordagem única e promissora. O EEG é uma técnica de monitoramento não invasiva que registra a atividade elétrica do cérebro por meio de eletrodos colocados na superfície do couro cabeludo e tem sido utilizado em contextos clínicos e de pesquisa para explorar como o cérebro humano responde às emoções e estímulos cognitivos. Recentemente, seu uso ganhou interesse na detecção em tempo real de sentimentos, proporcionando uma abordagem direta que não depende de expressões faciais ou voz. Isso é especialmente útil em cenários de recursos limitados, como na utilização de interfaces cérebro-computador para apoio à área de saúde mental. O objetivo desta dissertação é avaliar a classificação de sentimentos (positivo, negativo e neutro) em sinais de eletroencefalografia utilizando aprendizado de máquina e aprendizado profundo, com enfoque em redes neurais convolucionais em grafos (GCNN), a partir da análise dos principais atributos do sinal de EEG (Entropia Diferencial (DE), Densidade Espectral de Potência (PSD), Assimetria Diferencial (DASM), Assimetria Racional (RASM), assimetria (ASM), Causalidade Diferencial (DCAU)). O conjunto de dados de Eletroencefalografia utilizado na pesquisa foi o dataset público SEED (SJTU Emotion EEG Dataset), obtido por meio de estímulos auditivos e visuais na forma de trechos de filmes emocionais chineses. O experimento utilizado para avaliar o resultado dos modelos foi o "dependente do sujeito"e neste método o modelo de rede neural profunda (DNN) obteve uma acurácia de 85,22%, superando o SVM, embora com um tempo de processamento significativo devido a características de otimização inerentes ao algoritmo. O GCNN, com sua abordagem de aprendizado não linear e capacidade de modelar relações intrínsecas entre os canais de EEG através de grafos, obteve uma média de acurácia de 89,97% no experimento dependente do sujeito. Este trabalho contribui para a detecção de emoções em EEG, destacando a eficácia de diferentes modelos e enfatizando a escolha de características adequadas e o uso ético dessas tecnologias em aplicações práticas. O GCNN emerge como a metodologia mais promissora para futuras pesquisas. Palavras-chaves: Detecção de emoções; reconhecimento de