Neue EEG-Framework erkennt Emotionen in Serious Games präzise

Ein neu entwickeltes, mehrschichtiges EEG-Framework liefert erstmals eine umfassende Klassifikation von Emotionen in Serious Games. Das System nutzt das GAMEEMO-Datensatz, der 14‑Kanäle EEG-Aufzeichnungen und kontinuierliche Selbstberichte von 28 Probanden in vier spielbasierten Szenarien enthält.

Die Pipeline kombiniert eine strukturierte Vorverarbeitung mit zeitlichen Fenstersegmentierung, statistischen und frequenzbasierten Merkmalen sowie Z‑Score‑Normalisierung, um robuste Eingabevektoren zu erzeugen. Emotionen werden in drei Ebenen kodiert: (1) binäre Valenzklassifikation, (2) Mehrklassenklassifikation des stärksten emotionalen Zustands und (3) feingranulare Mehrlabels mit zehn ordinalen Klassen.

Für die Modellierung wurden klassische Algorithmen wie Random Forest, XGBoost und SVM sowie tiefes Lernen mit LSTM, LSTM‑GRU und CNN‑LSTM getestet. Das LSTM‑GRU-Modell erzielte dabei konsequent die besten Ergebnisse und demonstriert damit die Leistungsfähigkeit hybrider Deep‑Learning‑Ansätze für die EEG‑basierte Emotionsanalyse.