Entrenamiento en regulación emocional impulsado por neurofeedback en un entorno de realidad virtual: un enfoque de aprendizaje automático utilizando OpenBCI

Este artículo aborda el diseño y desarrollo de un sistema avanzado de neurofeedback para el entrenamiento en habilidades y competencias de regulación emocional; el sistema integra una plataforma de Realidad Virtual (VR) con un dispositivo OpenBCI de 16 canales para la captura en tiempo real de señal...

Full description

Autores:: Camelo Roa, Sandra Milena
Rodríguez, Belman Jahir

Tipo de recurso:: Article of journal

Fecha de publicación:: 2024

Institución:: Universidad de San Buenaventura

Repositorio:: Repositorio USB

Idioma:: eng

id	SANBUENAV2_80019d2b6eacc9cefc59e43a2043d1b2
oai_identifier_str	oai:bibliotecadigital.usb.edu.co:10819/29003
network_acronym_str	SANBUENAV2
network_name_str	Repositorio USB
repository_id_str
dc.title.spa.fl_str_mv	Entrenamiento en regulación emocional impulsado por neurofeedback en un entorno de realidad virtual: un enfoque de aprendizaje automático utilizando OpenBCI
dc.title.translated.spa.fl_str_mv	Entrenamiento en regulación emocional impulsado por neurofeedback en un entorno de realidad virtual: un enfoque de aprendizaje automático utilizando OpenBCI
title	Entrenamiento en regulación emocional impulsado por neurofeedback en un entorno de realidad virtual: un enfoque de aprendizaje automático utilizando OpenBCI
spellingShingle	Entrenamiento en regulación emocional impulsado por neurofeedback en un entorno de realidad virtual: un enfoque de aprendizaje automático utilizando OpenBCI Neurofeedback Emotional regulation Virtual reality Machine learning OpenBCI Training Neurofeedback regulación emocional, realidad virtual aprendizaje automatico Open BCI Entrenamiento
title_short	Entrenamiento en regulación emocional impulsado por neurofeedback en un entorno de realidad virtual: un enfoque de aprendizaje automático utilizando OpenBCI
title_full	Entrenamiento en regulación emocional impulsado por neurofeedback en un entorno de realidad virtual: un enfoque de aprendizaje automático utilizando OpenBCI
title_fullStr	Entrenamiento en regulación emocional impulsado por neurofeedback en un entorno de realidad virtual: un enfoque de aprendizaje automático utilizando OpenBCI
title_full_unstemmed	Entrenamiento en regulación emocional impulsado por neurofeedback en un entorno de realidad virtual: un enfoque de aprendizaje automático utilizando OpenBCI
title_sort	Entrenamiento en regulación emocional impulsado por neurofeedback en un entorno de realidad virtual: un enfoque de aprendizaje automático utilizando OpenBCI
dc.creator.fl_str_mv	Camelo Roa, Sandra Milena Rodríguez, Belman Jahir
dc.contributor.author.eng.fl_str_mv	Camelo Roa, Sandra Milena Rodríguez, Belman Jahir
dc.subject.eng.fl_str_mv	Neurofeedback Emotional regulation Virtual reality Machine learning OpenBCI Training
topic	Neurofeedback Emotional regulation Virtual reality Machine learning OpenBCI Training Neurofeedback regulación emocional, realidad virtual aprendizaje automatico Open BCI Entrenamiento
dc.subject.spa.fl_str_mv	Neurofeedback regulación emocional, realidad virtual aprendizaje automatico Open BCI Entrenamiento
description	Este artículo aborda el diseño y desarrollo de un sistema avanzado de neurofeedback para el entrenamiento en habilidades y competencias de regulación emocional; el sistema integra una plataforma de Realidad Virtual (VR) con un dispositivo OpenBCI de 16 canales para la captura en tiempo real de señales electroencefalográficas (EEG). El principal objetivo de la investigación radica en la aplicación de algoritmos de aprendizaje automático, concretamente Random Forest y K-Nearest Neighbors (KNN), para la clasificación de estados emocionales en términos de valencia y excitación. Estos algoritmos logran una precisión de hasta el 83% para la clasificación de la excitación y del 90% para la valencia. Las señales de EEG se procesan y clasifican en tiempo real y los resultados se integran en un entorno de realidad virtual creado en Unity. Este entorno adaptativo cambia según los estados emocionales detectados, permitiendo una regulación más precisa. Además, se ha desarrollado un protocolo de respiración diafragmática dentro del entorno de realidad virtual como estrategia de intervención para la regulación emocional. El sistema se encuentra en su etapa final de prueba para establecer la eficacia del sistema.
publishDate	2024
dc.date.accessioned.none.fl_str_mv	2024-09-03T00:00:00Z 2025-08-22T16:59:37Z
dc.date.available.none.fl_str_mv	2024-09-03T00:00:00Z 2025-08-22T16:59:37Z
dc.date.issued.none.fl_str_mv	2024-09-03
dc.type.spa.fl_str_mv	Artículo de revista
dc.type.coar.fl_str_mv	http://purl.org/coar/resource_type/c_2df8fbb1
dc.type.coar.eng.fl_str_mv	http://purl.org/coar/resource_type/c_6501
dc.type.coarversion.eng.fl_str_mv	http://purl.org/coar/version/c_970fb48d4fbd8a85
dc.type.content.eng.fl_str_mv	Text
dc.type.driver.eng.fl_str_mv	info:eu-repo/semantics/article
dc.type.local.eng.fl_str_mv	Journal article
dc.type.version.eng.fl_str_mv	info:eu-repo/semantics/publishedVersion
format	http://purl.org/coar/resource_type/c_6501
status_str	publishedVersion
dc.identifier.doi.none.fl_str_mv	10.21500/20112084.7467
dc.identifier.eissn.none.fl_str_mv	2011-7922
dc.identifier.issn.none.fl_str_mv	2011-2084
dc.identifier.uri.none.fl_str_mv	https://hdl.handle.net/10819/29003
dc.identifier.url.none.fl_str_mv	https://doi.org/10.21500/20112084.7467
identifier_str_mv	10.21500/20112084.7467 2011-7922 2011-2084
url	https://hdl.handle.net/10819/29003 https://doi.org/10.21500/20112084.7467
dc.language.iso.eng.fl_str_mv	eng
language	eng
dc.relation.bitstream.none.fl_str_mv	https://revistas.usb.edu.co/index.php/IJPR/article/download/7467/5567
dc.relation.citationedition.eng.fl_str_mv	Núm. 2 , Año 2024 : Interdisciplinary Approaches for Human Cognition: Expanding Perspectives on the Mind
dc.relation.citationendpage.none.fl_str_mv	118
dc.relation.citationissue.eng.fl_str_mv	2
dc.relation.citationstartpage.none.fl_str_mv	113
dc.relation.citationvolume.eng.fl_str_mv	17
dc.relation.ispartofjournal.eng.fl_str_mv	International Journal of Psychological Research
dc.relation.references.eng.fl_str_mv	REFERENCES Adorni, R., Brugnera, A., Gatti, A., Tasca, G. A., Sakatani, K., & Compare, A. (2019). Psychophysiological Responses to Stress Related to Anxiety in Healthy Aging: A Near- Infrared Spectroscopy (NIRS) Study. Journal of Psychophysiology, 33(3), 188–197. https://doi.org/10.1027/0269-8803/a000221 Allen, J. J. B., Coan, J. A., & Nazarian, M. (2004). Issues and assumptions on the road from raw signals to metrics of frontal EEG asymmetry in emotion. Biological Psychology, 67(1–2), 183–218. https://doi.org/10.1016/j.biopsycho.2004.03.007 Drossos, K., Floros, A., & Giannakoulopoulos, A. (2014). BEADS: A dataset of Binaural Emotionally Annotated Digital Sounds. IISA 2014 - 5th International Conference on Information, Intelligence, Systems and Applications, (July), 158–163. Eisenberg, N., Hofer, C. and Vaughan, J. (2007) Effortful control and its socio-emotional consequences. In: Gross, J., Ed., Handbook of Emotion Regulation, 287-306. Gross, J. J. (2014). Emotion regulation: Conceptual and empirical foundations. En J. J. Gross (Ed.), Handbook of emotion regulation (2ª. ed., pp. 3-20). Guilford Press. Hermann, E. (2022). Neural responses to positive and negative valence: How can valence influence frontal alpha asymmetry? Tilburg University. Honda, S., Ishikawa, Y., Konno, R., Imai, E., Nomiyama, N., Sakurada, K., … Nakatani, M. (2020). Proximal Binaural Sound Can Induce Subjective Frisson. Frontiers in Psychology, 11(March, Article 316), 1–10. https://doi.org/10.3389/fpsyg.2020.00316 Hughes, S., & Kearney, G. (2015). Fear and Localisation: Emotional Fine-Tuning Utlising Multiple Source Directions. AES: Journal of the Audio Engineering Society, (56th International Conference, London, UK). Hsu, B. W., & Wang, M. J. J. (2013). Evaluating the effectiveness of using electroencephalogram power indices to measure visual fatigue. Perceptual and Motor Skills, 116(1), 235–252. https://doi.org/10.2466/29.15.24.PMS.116.1.235-252 Katsigiannis, S., & Ramzan, N. (2018). DREAMER: A Database for Emotion Recognition Through EEG and ECG Signals from Wireless Low-cost Off-the-Shelf Devices. IEEE Journal of Biomedical and Health Informatics, 22(1), 98–107. https://doi.org/10.1109/JBHI.2017.2688239 Kim, J., Kim, W., & Kim, J.-T. (2015). Psycho-physiological responses of drivers to road section types and elapsed driving time on a freeway. Can. J. Civ. Eng., 42, 881–888. https://doi.org/https://doi.org/10.1139/cjce-2014-0392 Li, Y., Cai, J., Dong, Q., Wu, L., & Chen, Q. (2020). Psychophysiological responses of young people to soundscapes in actual rural and city environments. AES: Journal of the Audio Engineering Society, 68 (12), 910–925. https://doi.org/10.17743/JAES.2020.0060 Lepa, S., Weinzierl, S., Maempel, H. J., & Ungeheuer, E. (2014). Emotional impact of different forms of spatialization in everyday mediatized music listening: Placebo or technology effects? 136th Audio Engineering Society Convention 2014, (Convention Paper 9024), 141–148. Nair, S. (2016). Reverse Engineering Emotions in an Immersive Audio Mix Format. (IBC), 1–5. Navea, R. F., & Dadios, E. (2015). Beta/Alpha power ratio and alpha asymmetry characterization of EEG signals due to musical tone stimulation. Project Einstein 2015, (October). Posner, J., Russel, J. A., & Peterson, B. S. (2005). The circumplex model of affect: An integrative approach to affective neuroscience, cognitive development, and psychopathology. National Institude of Health, (17), 715–734. Sotgiu, A. De, Coccoli, M., & Vercelli, G. (2020). Comparing the perception of “sense of presence” between a stereo mix and a binaural mix in immersive music. 148th Audio Engineering Society Convention 2020, (Convention e-Brief 588), 1–5. Subramanian, R., Wache, J., Abadi, M. K., Vieriu, R. L., Winkler, S., & Sebe, N. (2018). ASCERTAIN: Emotion and personality recognition using commercial sensors. IEEE Transactions on Affective Computing, 9(2), 147–160. https://doi.org/10.1109/TAFFC.2016.2625250 Suhaimi, N. S., Mountstephens, J., & Teo, J. (2020). EEG-Based Emotion Recognition: A State- of-the-Art Review of Current Trends and Opportunities. Computational Intelligence and Neuroscience, 2020. https://doi.org/10.1155/2020/8875426 Yang, Y., Wu, Q., Qiu, M., Wang, Y., & Chen, X. (2018). Emotion Recognition from Multi- Channel EEG through Parallel Convolutional Recurrent Neural Network. In 2018 International Joint Conference on Neural Networks (IJCNN) (pp. 1-7). https://doi.org/10.1109/IJCNN.2018.8489331 Shen, F., Dai, G., Lin, G., Zhang, J., Kong, W., & Zeng, H. (2020). EEG-based emotion recognition using 4D convolutional recurrent neural network. Cognitive Neurodynamics, 14(6), 815-828. https://doi.org/10.1007/s11571-020-09634
dc.rights.accessrights.eng.fl_str_mv	info:eu-repo/semantics/openAccess
dc.rights.coar.eng.fl_str_mv	http://purl.org/coar/access_right/c_abf2
dc.rights.uri.eng.fl_str_mv	http://creativecommons.org/licenses/by-nc-nd/4.0
eu_rights_str_mv	openAccess
rights_invalid_str_mv	http://purl.org/coar/access_right/c_abf2 http://creativecommons.org/licenses/by-nc-nd/4.0
dc.format.mimetype.eng.fl_str_mv	application/pdf
dc.publisher.eng.fl_str_mv	Universidad San Buenaventura - USB (Colombia)
dc.source.eng.fl_str_mv	https://revistas.usb.edu.co/index.php/IJPR/article/view/7467
institution	Universidad de San Buenaventura
bitstream.url.fl_str_mv	https://bibliotecadigital.usb.edu.co/bitstreams/092cc3be-8138-4954-9f76-3f1e7fb02da1/download
bitstream.checksum.fl_str_mv	2e931d0f440a094b12f5bc77328e4944
bitstream.checksumAlgorithm.fl_str_mv	MD5
repository.name.fl_str_mv	Repositorio Institucional Universidad de San Buenaventura Colombia
repository.mail.fl_str_mv	bdigital@metabiblioteca.com
_version_	1851053671186432000
spelling	Camelo Roa, Sandra MilenaRodríguez, Belman Jahir2024-09-03T00:00:00Z2025-08-22T16:59:37Z2024-09-03T00:00:00Z2025-08-22T16:59:37Z2024-09-03Este artículo aborda el diseño y desarrollo de un sistema avanzado de neurofeedback para el entrenamiento en habilidades y competencias de regulación emocional; el sistema integra una plataforma de Realidad Virtual (VR) con un dispositivo OpenBCI de 16 canales para la captura en tiempo real de señales electroencefalográficas (EEG). El principal objetivo de la investigación radica en la aplicación de algoritmos de aprendizaje automático, concretamente Random Forest y K-Nearest Neighbors (KNN), para la clasificación de estados emocionales en términos de valencia y excitación. Estos algoritmos logran una precisión de hasta el 83% para la clasificación de la excitación y del 90% para la valencia. Las señales de EEG se procesan y clasifican en tiempo real y los resultados se integran en un entorno de realidad virtual creado en Unity. Este entorno adaptativo cambia según los estados emocionales detectados, permitiendo una regulación más precisa. Además, se ha desarrollado un protocolo de respiración diafragmática dentro del entorno de realidad virtual como estrategia de intervención para la regulación emocional. El sistema se encuentra en su etapa final de prueba para establecer la eficacia del sistema.This paper addresses the design and development of an advanced neurofeedback system for training in emotional regulation skills and competencies; the system integrates a Virtual Reality (VR) platform with a 16-channel OpenBCI device for real-time capture of electroencephalographic (EEG) signals. The main objective of the research lies in the application of machine learning algorithms, specifically Random Forest and K-Nearest Neighbors (KNN), for the classification of emotional states in terms of valence and arousal. These algorithms achieve an accuracy of up to 83% for arousal classification and 90% for valence. EEG signals are processed and classified in real time and the results are integrated into a virtual reality environment created in Unity. This adaptive environment changes according to the detected emotional states, allowing for more precise regulation. In addition, a diaphragmatic breathing protocol has been developed within the virtual reality environment as an intervention strategy for emotional regulation. The system is in its final stage of piloting to establish the efficacy of the system.application/pdf10.21500/20112084.74672011-79222011-2084https://hdl.handle.net/10819/29003https://doi.org/10.21500/20112084.7467engUniversidad San Buenaventura - USB (Colombia)https://revistas.usb.edu.co/index.php/IJPR/article/download/7467/5567Núm. 2 , Año 2024 : Interdisciplinary Approaches for Human Cognition: Expanding Perspectives on the Mind118211317International Journal of Psychological ResearchREFERENCES Adorni, R., Brugnera, A., Gatti, A., Tasca, G. A., Sakatani, K., & Compare, A. (2019). Psychophysiological Responses to Stress Related to Anxiety in Healthy Aging: A Near- Infrared Spectroscopy (NIRS) Study. Journal of Psychophysiology, 33(3), 188–197. https://doi.org/10.1027/0269-8803/a000221 Allen, J. J. B., Coan, J. A., & Nazarian, M. (2004). Issues and assumptions on the road from raw signals to metrics of frontal EEG asymmetry in emotion. Biological Psychology, 67(1–2), 183–218. https://doi.org/10.1016/j.biopsycho.2004.03.007 Drossos, K., Floros, A., & Giannakoulopoulos, A. (2014). BEADS: A dataset of Binaural Emotionally Annotated Digital Sounds. IISA 2014 - 5th International Conference on Information, Intelligence, Systems and Applications, (July), 158–163.Eisenberg, N., Hofer, C. and Vaughan, J. (2007) Effortful control and its socio-emotional consequences. In: Gross, J., Ed., Handbook of Emotion Regulation, 287-306.Gross, J. J. (2014). Emotion regulation: Conceptual and empirical foundations. En J. J. Gross (Ed.), Handbook of emotion regulation (2ª. ed., pp. 3-20). Guilford Press. Hermann, E. (2022). Neural responses to positive and negative valence: How can valence influence frontal alpha asymmetry? Tilburg University. Honda, S., Ishikawa, Y., Konno, R., Imai, E., Nomiyama, N., Sakurada, K., … Nakatani, M. (2020). Proximal Binaural Sound Can Induce Subjective Frisson. Frontiers in Psychology, 11(March, Article 316), 1–10. https://doi.org/10.3389/fpsyg.2020.00316Hughes, S., & Kearney, G. (2015). Fear and Localisation: Emotional Fine-Tuning Utlising Multiple Source Directions. AES: Journal of the Audio Engineering Society, (56th International Conference, London, UK). Hsu, B. W., & Wang, M. J. J. (2013). Evaluating the effectiveness of using electroencephalogram power indices to measure visual fatigue. Perceptual and Motor Skills, 116(1), 235–252. https://doi.org/10.2466/29.15.24.PMS.116.1.235-252 Katsigiannis, S., & Ramzan, N. (2018). DREAMER: A Database for Emotion Recognition Through EEG and ECG Signals from Wireless Low-cost Off-the-Shelf Devices. IEEE Journal of Biomedical and Health Informatics, 22(1), 98–107. https://doi.org/10.1109/JBHI.2017.2688239Kim, J., Kim, W., & Kim, J.-T. (2015). Psycho-physiological responses of drivers to road section types and elapsed driving time on a freeway. Can. J. Civ. Eng., 42, 881–888. https://doi.org/https://doi.org/10.1139/cjce-2014-0392 Li, Y., Cai, J., Dong, Q., Wu, L., & Chen, Q. (2020). Psychophysiological responses of young people to soundscapes in actual rural and city environments. AES: Journal of the Audio Engineering Society, 68 (12), 910–925. https://doi.org/10.17743/JAES.2020.0060 Lepa, S., Weinzierl, S., Maempel, H. J., & Ungeheuer, E. (2014). Emotional impact of different forms of spatialization in everyday mediatized music listening: Placebo or technology effects? 136th Audio Engineering Society Convention 2014, (Convention Paper 9024), 141–148. Nair, S. (2016). Reverse Engineering Emotions in an Immersive Audio Mix Format. (IBC), 1–5.Navea, R. F., & Dadios, E. (2015). Beta/Alpha power ratio and alpha asymmetry characterization of EEG signals due to musical tone stimulation. Project Einstein 2015, (October). Posner, J., Russel, J. A., & Peterson, B. S. (2005). The circumplex model of affect: An integrative approach to affective neuroscience, cognitive development, and psychopathology. National Institude of Health, (17), 715–734. Sotgiu, A. De, Coccoli, M., & Vercelli, G. (2020). Comparing the perception of “sense of presence” between a stereo mix and a binaural mix in immersive music. 148th Audio Engineering Society Convention 2020, (Convention e-Brief 588), 1–5. Subramanian, R., Wache, J., Abadi, M. K., Vieriu, R. L., Winkler, S., & Sebe, N. (2018). ASCERTAIN: Emotion and personality recognition using commercial sensors. IEEE Transactions on Affective Computing, 9(2), 147–160. https://doi.org/10.1109/TAFFC.2016.2625250 Suhaimi, N. S., Mountstephens, J., & Teo, J. (2020). EEG-Based Emotion Recognition: A State- of-the-Art Review of Current Trends and Opportunities. Computational Intelligence and Neuroscience, 2020. https://doi.org/10.1155/2020/8875426 Yang, Y., Wu, Q., Qiu, M., Wang, Y., & Chen, X. (2018). Emotion Recognition from Multi- Channel EEG through Parallel Convolutional Recurrent Neural Network. In 2018 International Joint Conference on Neural Networks (IJCNN) (pp. 1-7). https://doi.org/10.1109/IJCNN.2018.8489331 Shen, F., Dai, G., Lin, G., Zhang, J., Kong, W., & Zeng, H. (2020). EEG-based emotion recognition using 4D convolutional recurrent neural network. Cognitive Neurodynamics, 14(6), 815-828. https://doi.org/10.1007/s11571-020-09634info:eu-repo/semantics/openAccesshttp://purl.org/coar/access_right/c_abf2This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.http://creativecommons.org/licenses/by-nc-nd/4.0https://revistas.usb.edu.co/index.php/IJPR/article/view/7467NeurofeedbackEmotional regulationVirtual realityMachine learningOpenBCITrainingNeurofeedbackregulación emocional,realidad virtualaprendizaje automaticoOpen BCIEntrenamientoEntrenamiento en regulación emocional impulsado por neurofeedback en un entorno de realidad virtual: un enfoque de aprendizaje automático utilizando OpenBCIEntrenamiento en regulación emocional impulsado por neurofeedback en un entorno de realidad virtual: un enfoque de aprendizaje automático utilizando OpenBCIArtículo de revistahttp://purl.org/coar/resource_type/c_6501http://purl.org/coar/resource_type/c_2df8fbb1http://purl.org/coar/version/c_970fb48d4fbd8a85Textinfo:eu-repo/semantics/articleJournal articleinfo:eu-repo/semantics/publishedVersionPublicationOREORE.xmltext/xml2689https://bibliotecadigital.usb.edu.co/bitstreams/092cc3be-8138-4954-9f76-3f1e7fb02da1/download2e931d0f440a094b12f5bc77328e4944MD5110819/29003oai:bibliotecadigital.usb.edu.co:10819/290032025-08-22 11:59:37.889http://creativecommons.org/licenses/by-nc-nd/4.0https://bibliotecadigital.usb.edu.coRepositorio Institucional Universidad de San Buenaventura Colombiabdigital@metabiblioteca.com

Entrenamiento en regulación emocional impulsado por neurofeedback en un entorno de realidad virtual: un enfoque de aprendizaje automático utilizando OpenBCI

Publicaciones similares