AI-Driven Emotion Detection Could Revolutionize Dementia Diagnosis and Care

The AI pipeline extracted valence (positive or negative emotion) and arousal (emotional intensity) features from participants’ facial expressions using two convolutional neural networks trained on the large-scale AffectNet dataset and fine-tuned for the task. 

These emotion-derived features were then analyzed using three machine learning models, K-Nearest Neighbors, Logistic Regression, and Support Vector Machine, to classify participants by cognitive status. A nested cross-validation framework ensured that performance metrics were unbiased despite the relatively small dataset.

El proceso de IA extrajo características de valencia (emoción positiva o negativa) y excitación (intensidad emocional) de las expresiones faciales de los participantes utilizando dos redes neuronales convolucionales entrenadas en el conjunto de datos a gran escala AffectNet y ajustadas para la tarea.

A continuación, estas características derivadas de las emociones se analizaron mediante tres modelos de aprendizaje automático, K-Nearest Neighbors, Logistic Regression y Support Vector Machine, para clasificar a los participantes según su estado cognitivo. Un marco de validación cruzada anidada garantizó que las métricas de rendimiento no estuvieran sesgadas a pesar del conjunto de datos relativamente pequeño.

Le pipeline d'IA a extrait les caractéristiques de valence (émotion positive ou négative) et d'éveil (intensité émotionnelle) des expressions faciales des participants à l'aide de deux réseaux neuronaux convolutionnels formés sur l'ensemble de données à grande échelle AffectNet et adaptés à la tâche.

Ces caractéristiques dérivées des émotions ont ensuite été analysées à l'aide de trois modèles d'apprentissage automatique, les K-voisins les plus proches, la régression logistique et la machine à vecteurs de support, afin de classer les participants en fonction de leur état cognitif. Un cadre de validation croisée imbriquée a permis de s'assurer que les mesures de performance n'étaient pas biaisées malgré la taille relativement petite de l'ensemble de données.

La pipeline dell'intelligenza artificiale ha estratto le caratteristiche di valenza (emozione positiva o negativa) e di eccitazione (intensità emotiva) dalle espressioni facciali dei partecipanti utilizzando due reti neurali convoluzionali addestrate sul dataset AffectNet su larga scala e messe a punto per il compito.

Queste caratteristiche derivate dalle emozioni sono state poi analizzate con tre modelli di apprendimento automatico, K-Nearest Neighbors, Regressione logistica e Support Vector Machine, per classificare i partecipanti in base allo stato cognitivo. Una struttura di convalida incrociata nidificata ha garantito che le metriche delle prestazioni fossero imparziali nonostante il set di dati relativamente piccolo.

O pipeline de IA extraiu recursos de valência (emoção positiva ou negativa) e excitação (intensidade emocional) das expressões faciais dos participantes usando duas redes neurais convolucionais treinadas no conjunto de dados AffectNet de larga escala e ajustadas para a tarefa.

Esses recursos derivados da emoção foram então analisados usando três modelos de aprendizado de máquina, K-Nearest Neighbors, Logistic Regression e Support Vector Machine, para classificar os participantes por status cognitivo. Uma estrutura de validação cruzada aninhada garantiu que as métricas de desempenho fossem imparciais, apesar do conjunto de dados relativamente pequeno.